Interaktionsmodelle für natürliche menschliche KI-Kommunikation

Wir arbeiten seit Jahren auf diese Kategorie hin. Dieser Beitrag zeigt, was wir entwickelt haben, und erläutert die zugrunde liegenden Forschungs- und Produktentscheidungen.

Unser Flaggschiffprodukt – ElevenAgents mit v3 Conversational

Unser Flaggschiffprodukt – ElevenAgents mit v3 Conversational

Expressive Mode – Mark – Persönlicher Kredit Inbound (Panik) – Launch-Asset.mp4

Drei Faktoren müssen zusammenkommen, damit ein Interaktionssystem zuverlässig funktioniert und natürliche, ansprechende Interaktionen ermöglicht:

Drei Faktoren müssen zusammenspielen, damit ein Interaktionssystem zuverlässig funktioniert und natürliche, ansprechende Interaktionen ermöglicht:

*Bezieht sich nur auf die Inferenzzeit des Modells. Die tatsächliche End-to-End-Latenz hängt unter anderem von Standort und verwendetem Endpunkt ab.

• Antwort in unter einer Sekunde.ElevenAgents sind für Antwortzeiten unter 100 ms in internen Benchmarks optimiert, mit unter 200 ms als Ziel für Telefonie-Integrationen. Flash v2.5, unser schnellstes Text to Speech-Modell, erreicht etwa 75 ms Inferenzzeit.*
• Gesprächsführung, die Unterbrechungen verarbeitet.Um vorschnelle Unterbrechungen zu vermeiden, braucht es ein System, das sowohl Pausen als auch den Gesprächsinhalt berücksichtigt.
• Ausdrucksstarke, natürliche Wiedergabe.Das Modell muss mit passendem Tonfall, Tempo und Emotion auf die jeweilige Situation reagieren.

Einige unserer bisherigen Entwicklungen

Was wir bereits umgesetzt haben

Spekulatives Turn-Taking.Eine separate Funktion in v3 Conversational, die während Nutzerpausen die LLM-Antwortgenerierung vorab startet und so die wahrgenommene Latenz reduziert.

Flash v2.5.Unser schnellstes Text to Speech-Modell für Echtzeitanwendungen mit niedriger Latenz, etwa 75 ms Inferenzzeit.*

Scribe v2.Unser Speech to Text-Modell mit branchenführender Genauigkeit.

ElevenAgents Expressive Mode.Ermöglicht Agenten den Einsatz von ausdrucksstarken Tags wie [lacht], [flüstert], [seufzt] und [langsam], um die Wiedergabe im Kontext zu steuern.

ElevenAgents Expressive Mode.Ermöglicht Agenten den Einsatz von ausdrucksstarken Tags wie [lacht], [flüstert], [seufzt] und [langsam], um die Wiedergabe im Kontext zu steuern.

ElevenAgents Expressive Mode.Ermöglicht Agenten die Nutzung von ausdrucksstarken Tags wie [lacht], [flüstert], [seufzt] und [langsam], um die Wiedergabe im Kontext zu steuern.

Wohin die Entwicklung geht

Viele KI-Gespräche wirken noch wie Anfragen. Echte Gespräche tun das nicht. Diese Lücke zu schließen, ist unser Ziel.

Viele KI-Gespräche wirken noch wie Anfragen. Echte Gespräche tun das nicht. Diese Lücke zu schließen, ist unser Ziel.