Бот раздражает паузами: из чего они и как их сократить

Что объявила ElevenLabs

28 сентября 2026 года ElevenLabs выпустила Eleven v4 и Eleven v4 Turbo. Turbo сделана для голосовых агентов. В блоге компании и на странице модели заявлены медианная задержка вывода около 100 мс, время до первой речи около 150 мс, больше 90 языков, доступ через платформу ElevenAgents и через API.

Как это измеряли, написано в сноске на странице для агентов. Берётся медиана времени от запроса до слышимой речи. Замер сделан в сентябре 2026 на одинаковых текстах и настройках по умолчанию, в сравнении с четырьмя другими синтезаторами, Eleven v4 Turbo работала по WebSocket в потоковом режиме. Регион, длина текста и учёт сети в сноске не указаны.

Это цифры производителя в его условиях. Для вашей линии они ничего не обещают, и измерено одно звено цепочки, синтез.

Из чего складывается пауза

Пауза длится от последнего слова клиента до первого звука бота. В неё входят пять частей.

Первая, определение конца реплики: бот ждёт тишину, чтобы понять, что клиент договорил. В документации SaluteSpeech для этого есть параметр eou_timeout, от 0,5 до 5 секунд, по умолчанию 1 секунда. Оставите по умолчанию, и секунда тишины набежит ещё до того, как бот начнёт что-то делать.

Вторая, распознавание речи: последние слова превращаются в финальный текст. Третья, языковая модель, которая думает и иногда идёт за данными в CRM или календарь. Четвёртая, синтез: первый звук ответа, вот здесь живут заявленные 150 мс. Пятая, сеть и телефония: путь звука до сервера и обратно через оператора.

Пауза равна сумме. Условный пример, не замер: 150 мс синтеза, секунда ожидания конца реплики и секунда на модель с запросом в CRM дают больше двух секунд тишины.

Что можно сократить

Потоковый режим на всех звеньях. Распознавание отдаёт промежуточные результаты по ходу речи, синтез стартует с первой фразы модели, а не с готового абзаца. В документации Яндекс SpeechKit описаны промежуточные и финальные результаты распознавания и событие конца реплики по тишине. Для синтеза там же описан потоковый режим API v3. У SaluteSpeech в потоковом распознавании есть параметр enable_partial_results для промежуточных гипотез.

Короткая первая фраза. Если запрос в базу неизбежно долгий, пусть бот скажет «секунду, смотрю расписание», пока ждёт.

Конец реплики настраивается под сценарий. В документации ElevenLabs есть три режима, Eager, Normal и Patient, и отдельный таймаут молчания от 1 до 30 секунд. Для ответов «да» и «нет» подходит быстрый режим. Пока клиент диктует номер телефона или адрес, бот должен ждать дольше, иначе он влезет посреди цифр.

Данные подгружать заранее. Расписание и карточку клиента бот может получить до первого вопроса, а не после. Один запрос в CRM вместо трёх экономит секунды.

Перебивание. Клиент должен уметь перебить бота. В ElevenLabs это отдельная настройка, и отключать её советуют там, где важна полная подача, например для юридических предупреждений.

Моя позиция

Гоняться за миллисекундами синтеза я начинаю в последнюю очередь. Сначала смотрю на конец реплики и на путь модели к данным, потому что там секунды. Быстрый голос не вылечит бота, который выжидает секунду тишины.

Таблицы задержек от производителей для выбора я не использую, у каждого свои условия замера. Сервисы сравниваю по записям ваших звонков, с вашими именами, цифрами и шумом.

Как проверить свой бот за вечер

Нужны десять тестовых звонков на ваш бот, с мобильного и с городского номера. Сценарии разные: запись, вопрос о цене, диктовка номера, перебивание бота на полуслове, молчание.

Включите запись и предупредите всех участников. Откройте каждую запись в аудиоредакторе, подойдёт бесплатный Audacity. На дорожке измерьте время от конца вашей фразы до первого звука бота и занесите десять чисел в таблицу.

Отметьте отдельно, если бот заговорил, пока вы диктовали, не отреагировал на перебивание или вы сказали «алло?» второй раз. Посмотрите на медиану и на самую длинную паузу, клиенты запоминают худшие. Если платформа пишет время по звеньям, найдите самое большое. Порог, после которого люди начинают переспрашивать, виден в ваших записях.

Что важно учесть

Цифры ElevenLabs относятся к синтезу и приведены с неполным описанием условий. Доступность сервиса в России и качество русского языка на телефонной линии я не проверял, поэтому как вариант для вас не называю.

По Яндексу и Сберу я подтвердил функции в документации: потоковое распознавание, промежуточные результаты, конец реплики, потоковый синтез у Яндекса. Скорость на вашем канале документация не даёт, её мерят на звонках.

Записи разговоров содержат голос, имя и телефон, это персональные данные. По части 5 статьи 18 закона 152-ФЗ запись и хранение персональных данных граждан России в базах за пределами РФ не допускаются, с исключениями из закона. Клиента стоит предупреждать, что звонок записывается и что отвечает бот. Формулировку согласуйте с юристом.

Голосовой бот не нужен, если звонков несколько в день и хватает администратора, если клиенты и так пишут в мессенджер, если разговор о документах и расчётах, которые удобнее видеть глазами. Эмоциональные и спорные обращения лучше отдавать человеку.

Как я с этим помогаю

Я делаю голосовых агентов под ключ, это услуга «Голосовой ИИ». Начинаю с замера ваших звонков, затем настраиваю потоковый режим, конец реплики, перебивание и перевод на живого сотрудника.

Про приём заявок и обзвон я писал в статье голосовой ИИ-робот для заявок и обзвона, про российские сервисы речи в статье голосовой ассистент на российском стеке. Про свой конвейер без платы за минуты есть разбор Pipecat.

Частые вопросы

Значит ли заявленные 100 мс, что бот ответит через 100 мс?

Нет. Это медиана для синтеза в условиях производителя. К ней добавляются ожидание конца реплики, распознавание, модель, сеть и телефония, поэтому слышимая пауза всегда больше.

Как сделать, чтобы бот не перебивал клиента?

Увеличить ожидание конца реплики: у ElevenLabs это режим Patient и таймаут молчания, у SaluteSpeech параметр eou_timeout. Цена в том, что бот отвечает медленнее, поэтому значения подбирают под сценарий: быстрые для «да» и «нет», медленные для диктовки.

Нужно ли предупреждать о записи и о том, что клиент говорит с ботом?

Стоит, и текст предупреждения лучше согласовать с юристом. Запись содержит персональные данные, а их хранение в базах за пределами РФ ограничено частью 5 статьи 18 закона 152-ФЗ.

Коротко о главном

Eleven v4 Turbo заявлена с медианой около 100 мс на обработку и около 150 мс до начала речи, в условиях, которые описал производитель. Самые большие потери в паузе чаще сидят в ожидании конца реплики и в запросах модели к данным.

Если клиенты бросают трубку или переспрашивают «алло?», давайте посмотрим ваши записи. Напишите мне в Telegram слово «ПАУЗА». Разберу, на каком звене у вас теряются секунды и что с этим делать.