---
title: "Tehnologije: kako Dialogist AI glasovni agent odgovara"
description: "Kako Dialogist AI glasovni agent odgovara na telefonske pozive za otprilike četvrt sekunde, sluša dok govori i pronalazi odgovore u vašim dokumentima."
canonical: "https://dialogist.cc/hr/technology/"
locale: "hr"
updatedAt: "2026-11-11"
---

# Što je unutar Dialogist AI glasovnog agenta

Izmjereno kašnjenje, izmjena govornika, znanje i testiranje.

- **≈ 0,27 s** vlastito vrijeme agenta, od posljednje riječi pozivatelja do prvog zvuka
- **94%** prvih fraza agenta dolazi iz glasovne predmemorije
- **176%** nazivnog kapaciteta: najveće testirano opterećenje, svi su pozivi spojeni
- **48** jezika agent razumije i govori

## Četvrt sekunde

Od posljednje riječi pozivatelja do prvog zvuka agenta, samom agentu treba otprilike četvrt sekunde.

**≈ 0,27 s** 232 ms da odluči da je pozivatelj završio, zatim 35 ms do prvog zvuka.

- **Što mjerimo.** Sat teče od kraja govora pozivatelja do prvog zvuka agentova odgovora.
- **Odluka da je pozivatelj završio.** Tajmer tišine ili je spor ili prekida ljude. Agent čeka 192 ms, a zatim malog modela pita je li rečenica potpuna. Model odgovara za oko 40 ms, pa se replika zatvara za oko 232 ms. Tajmeru koji gleda samo tišinu treba 512 ms.
- **Početak odgovora.** Prepoznavanje govora radi otkako je pozivatelj počeo govoriti, pa je tekst spreman kad se replika zatvori. S ranim startom jezični model dobiva tekst dok je agent još u stanci, a njegova je prva rečenica obično napisana do trenutka kad se replika zatvori. Sinteza zatim kreće iz glasovne predmemorije ili iz te prve rečenice.

### Što ostaje nakon odluke

| Korak | Standardno | Rani start |
|---|---:|---:|
| Transkripcija (završni tekst nakon stanke) | 0,5 ms | 0,5 ms |
| Prva rečenica iz jezičnog modela | 111 ms | 3 ms |
| Glas, do prvog zvuka | 6 ms | 31 ms |
| **Od odluke do prvog zvuka** | **117 ms** | **35 ms** |

Transkripcija traje 0,5 ms nakon odluke jer se prepoznavanje odvija u tokovima dok pozivatelj govori i tijekom stanke napravi probni prolaz. S ranim startom jezični model počinje na tom probnom tekstu unutar stanke, pa nakon odluke ostaju 3 ms njegova posla; u standardnom načinu svih 111 ms dolazi nakon nje. U testu opterećenja rani je zahtjev otišao prije odluke u 98% odgovora, u prosjeku 225 ms ranije pri 50 razgovora i 508 ms ranije pri 128. Ako pozivatelj nastavi govoriti, agent odbacuje pripremljeni odgovor i odgovara na cijelu frazu.

Pri 100 istodobnih poziva na Server Unitu isti korak traje oko 0,4 s u standardnom načinu i 0,25 s s ranim startom. Cjelovitu sliku daje bilješka o Server Unitu. [Server Unit pod opterećenjem](https://dialogist.cc/hr/research/server-unit-under-load/)

- **232 ms** da odluči da je pozivatelj završio (stanka od 192 ms plus 40 ms modela); tajmeru tišine treba 512 ms
- **35 ms** od te odluke do prvog zvuka s ranim startom; 117 ms bez njega
- **≈ 0,3 s** po replici pozivatelja vraća se na stvarnim pozivima zahvaljujući modelu za kraj replike, koji je 87% replika zatvorio rano

Na 1.468 replika pozivatelja u stvarnim pozivima model za kraj replike rano je zatvorio 87% replika, a 95% njih pri prvoj procjeni.

## Kamo su otišle milisekunde

Svaku smo promjenu izmjerili zasebno prije nego što je ušla u sustav. Zajedno su otprilike udvostručile broj poziva koje Server Unit nosi na razini Standard.

- **Rani start (ušteda 89–235 ms).** Jezični model počinje na prepoznatom tekstu dok agent još čeka kraj stanke. Ušteda raste s opterećenjem: 89 ms s jednim pozivom, 189 ms pri 96 razgovora, 235 ms pri 128.
- **Mrtva tišina uklonjena iz govora (280 → 40 ms).** Sintetizirane rečenice počinju tišinom; medijan u našoj predmemoriji je 280 ms. Agent je skraćuje na 40 ms dok reproducira isječak, a na liniji je odgovor jednog poziva stizao oko 200 ms ranije. Predmemorija čuva original.
- **Model za kraj replike (ušteda ≈ 0,3 s).** Nakon stanke od 192 ms mali model prema intonaciji procjenjuje je li misao završena. Na stvarnim pozivima rano je zatvorio 87% replika pozivatelja, a 96% stanki usred misli pričekao je do kraja. Najprije može raditi u promatračkom načinu i samo bilježiti što bi učinio.
- **Glasovna predmemorija (94%).** Agent s diska reproducira fraze koje je već izgovorio. Predmemorija preživljava ponovna pokretanja, a izvan radnog vremena agent ponovno provjerava spremljene isječke prepoznavanjem govora i regenerira one koji ne prođu.
- **Prva rečenica preskače red.** Pod opterećenjem početak odgovora jednog poziva nikad ne čeka iza kraja odgovora drugog. Agent sintetizira sljedeće rečenice dok se prva reproducira.
- **Jedan sat za sve pozive.** Medij svih poziva radi na jednom zajedničkom otkucaju od 20 ms, umjesto tajmera po pozivu.
- **Jeftiniji audio okviri (69 → 0,7 µs).** Predaja okvira između telefonskog stoga i agenta traje manje od mikrosekunde umjesto desetaka.

Prije i poslije: isto postolje, jedan poziv od 20 minuta i 50 razgovora, agent za zapošljavanje. Predmemorija: 64.192 fraze u testu opterećenja. Predaja okvira: izmjereno zasebno na telefonskoj biblioteci.

## Sluša dok govori

Pozivateljev kanal ostaje otvoren. Detekcija glasa i prepoznavanje govora rade na njemu dok agent govori, a agent postupa prema onome što čuje.

- **Prekidi koji nešto znače.** Pozivatelj može govoriti preko agenta i agent staje. Prekid prepoznaje po tekstu ili po zvuku. Akustični način ima vlastiti prag i traži neprekinut govor, pa agenta ne prekidaju tipkovnica, zalupljena vrata ili kašalj. Agent ignorira kratak fragment niske pouzdanosti preko vlastitog glasa, a tako izgleda jeka.
- **Glas se povlači.** Kad pozivatelj počne govoriti, agentov glas se stišava i zagušuje: manja glasnoća, manje visokih frekvencija. Ako pozivatelj kaže nešto što se računa, agent staje. Nakon „aha“ ili kašlja nastavlja, od najbliže granice sloga, od početka rečenice ili od točno određenog mjesta. Postavlja se po agentu.
- **„Aha“ u stankama.** Unutar duge replike pozivatelja agent umeće kratka potvrđivanja vlastitim glasom. To su unaprijed izrađeni isječci koje je čovjek poslušao i odobrio. Reproduciraju se u stankama, s određenom vjerojatnošću, minimalnim razmakom, ograničenjem po replici i bez ponavljanja, a nikad kad model za kraj replike smatra da je pozivatelj završio.
- **Kaže kad nije siguran.** Pouzdanost prepoznavanja ulazi u agentov prompt. Agent vidi nesigurnu transkripciju kao takvu označenu i traži od pozivatelja da ponovi umjesto da pogađa ime ili broj.
- **Pristojno rukovanje tišinom.** Ponovni upit, a zatim pozdrav, mjereno od stvarnog kraja reprodukcije, a ne od kraja sinteze.
- **Prostor oko glasa.** Neobavezna pozadina ureda ili sobe za sastanke, umiješana pod glas od prve sekunde poziva.
- Agent generira pozdrav tijekom odgode zvonjenja i šalje ga rečenicu po rečenicu.
- Širokopojasni G.722 gdje ga druga strana podržava. Izglađena kontrola pojačanja povisila je omjer signala i šuma s 23 na 28,7 dB na 11 označenih stvarnih poziva.
- Agentov vlastiti „aha“ može se vratiti linijom iz pozivateljeve slušalice. Prepoznavanje ga uklanja iz transkripta, a agent potvrde drži izvan povijesti razgovora.

[Slušanje tijekom govora: cijela bilješka](https://dialogist.cc/hr/research/listening-while-talking/)

## Glasovi u tokovima, vaša imena

Klonirajte glas ili odaberite jedan iz kataloga i naučite ga kako izgovara vaša imena.

- **Kloniranje glasa.** Novi glas iz uzorka od 10 do 30 sekundi i njegova transkripta.
- **Rječnici izgovora.** Nazivi marki, ulice i žargon izgovoreni onako kako ih vi izgovarate, s pretpregledom.
- **Jedan glas po agentu.** Iz kataloga ili kloniran, brzinom koju odredite.
- **Sinteza u tokovima.** Rečenicu po rečenicu: sljedeća je rečenica spremna prije nego što se prva dovrši.

## Atlas: Knowledge Hub

Vaši dokumenti, pretraženi unutar proračuna kašnjenja.

Atlas je naš knowledge hub. Agenta povezujete s jednom ili više baza znanja, a Atlas vraća odlomke koji odgovaraju na pitanje.

- **Pretraga prije svakog odgovora.** Brza pretraga na poslužitelju traje oko 150 ms. Ako se ne vrati u 400 ms, agent odgovara bez nje.
- **Dublja pretraga na zahtjev.** Za teška pitanja model sam traži opsežniju pretragu. Ona traje 0,7 do 1,2 s, a agent u međuvremenu izgovara frazu za premošćivanje, pa linija ne utihne.
- **Hibridno dohvaćanje.** Pretraga po značenju i po ključnim riječima, spojena, a u dubljem načinu s reranker modelom.
- **Bilo koji format.** PDF, Office datoteke, tablice, web-stranice i skeniranje uz OCR. Atlas prema rasporedu ponovno pregledava izvore.
- **Vidite zašto.** U Prompt Studiju svaki odgovor pokazuje koje je baze znanja agent pretražio i što je dobio.

- **≈ 150 ms** brza pretraga, na poslužitelju
- **0,7–1,2 s** dublja pretraga
- **400 ms** proračun prije nego što agent nastavi bez nje

Atlasova testna domena: 144 do 156 ms na poslužitelju u brzom načinu; 636 do 1.090 ms u dubljem načinu, 0,73 do 1,20 s stvarnog vremena.

## Polygon

Ispitni poligon za glasovne agente. Simulira pozivatelje, ocjenjuje svaki razgovor i pokazuje gdje se dvije verzije agenta počinju razlikovati. U paketu Pro zove se Simulacija dijaloga.

Scenarij → Simulirani pozivatelj → Razgovor → Deterministične provjere → Sudac → Sonde ponašanja → Usporedba

### Jedna ocjena, osam kriterija

Sudac čita cijeli razgovor, pozivateljeve činjenice i trag alata te svaki kriterij ocjenjuje dokazima citiranim iz transkripta.

- Ispunjenje cilja: 25
- Pridržavanje uputa: 15
- Kvaliteta korištenja alata: 15
- Činjeničnost: 10
- Kvaliteta dijaloga: 10
- Otpornost: 10
- Usklađenost sa sigurnosnim pravilima: 10
- Persona i ton: 5

0 do 100: prolaz od 75, upozorenje od 50. Pada bez obzira na ocjenu: Zabranjena fraza u agentovu govoru; Sigurnosni prekršaj; Nevaljan poziv alata koji je stigao do pozivatelja.

### Pozivatelji koji se opiru

- **Simulirani pozivatelji s poznatom istinom.** Šest tipova pozivatelja (suradljiv, zauzet, nepovjerljiv, zbunjen, agresivan, brbljav), četiri željena ishoda i pet razina težine. Svaki pozivatelj nosi vlastite činjenice, pa sudac zna je li agent postigao cilj i je li išta izmislio.
- **Generirani iz vašeg agenta.** Polygon piše pozivatelje prema agentovu promptu i ponovno ih generira kad se prompt promijeni.
- **Namjerno oštra linija.** Šum prepoznavanja (ispuštene riječi, znamenke čitane jedna po jedna, riječi koje zvuče slično), spori ili neispravni alati, pozivatelji koji upadaju u riječ i skreću s teme. Sa seedom, pa se razgovor koji padne ponavlja replika po replika.

### Ocjena koja nešto znači

- **Osam kriterija, vagano za telefonskog agenta.** Ispunjenje cilja vrijedi pet puta više od tona. Ocjena od 0 do 100, uz prolaz, upozorenje ili pad.
- **Tvrdi pragovi.** Zabranjena fraza, sigurnosni prekršaj ili nevaljan poziv alata koji je stigao do pozivatelja obaraju razgovor bez obzira na ocjenu.
- **Sudac koji ne pogađa.** Sudac za svaku ocjenu citira dokaz iz transkripta, ponovljene procjene spajaju se medijanom, a neocijenjen kriterij računa se kao minimum.

### Ponašanje, jedno po jedno pitanje

- **Sonde.** Provjere da/ne poput „je li agent ponovno pitao nakon neobičnog odgovora?“, prikazane s 95-postotnim intervalom, da nitko „3 od 4“ ne pročita kao 75%.
- **Deterministične metrike.** Računaju se na svakom transkriptu, uz otkrivanje petlji koje prekida razgovor koji se vrti u krug.

### Dvije verzije, jedna uz drugu

- **Matrica scenarij po verziji.** Poredano prema mjestima na kojima se verzije najviše razilaze.
- **Točka razilaženja.** Prva replika u kojoj se dva razgovora razilaze, s transkriptima poravnatim jedan uz drugi.
- **Pretraživanje parametara.** Po modelima i postavkama, jedan faktor po jedan, na rešetki ili nasumično, poredano prema ocjeni, zatim stabilnosti, zatim brzini.

### Prije prvog poziva i nakon posljednjeg

- **Analiza prompta.** Prije nego što se pokrene i jedan razgovor, Polygon čita prompt i ističe preopterećene upute, zakopana pravila, proturječja, dvosmislenosti i ponavljanja.
- **Stvarni pozivi.** Uvezite transkripte iz produkcije i ocijenite ih istom rubrikom i sondama da vidite je li nova verzija bolja na pozivima iz prošlog mjeseca.
- **Sve verzije se čuvaju.** Promptovi, pozivatelji, zamjene alata, rubrike i sonde nepromjenjive su verzije koje možete uspoređivati.

- **8** ocjenjivanih kriterija
- **3** tvrda praga
- **6** tipova pozivatelja
- **5** razina težine

[U paketu Pro kao Simulacija dijaloga](https://dialogist.cc/hr/pricing/) · [Kako ocjenjujemo razgovor](https://dialogist.cc/hr/research/how-we-grade-a-conversation/)

## Vlastita infrastruktura

Vlastiti modeli i modeli otvorenih težina na poslužiteljima koje vodimo u EU ili na vašima. Ni zvuk ni tekst pozivatelja ne odlaze AI pružatelju treće strane.

- **Jezični model:** Jezični model otvorenih težina na našim GPU-ovima
- **Prepoznavanje govora:** Oasis Speech, naša interna usluga prepoznavanja; razumije 48 jezika ([Oasis Speech 2](https://dialogist.cc/hr/research/oasis-speech-2/))
- **Sinteza govora:** Neuralni glasovi u tokovima, standardni ili klonirani iz vašeg uzorka
- **Izmjena govornika:** Detekcija glasovne aktivnosti i model za kraj replike
- **Znanje:** Atlas, naš knowledge hub, s embeddingima i rerankerom
- **Testiranje:** Polygon, naš ispitni poligon za razgovore ([Kako ocjenjujemo razgovor](https://dialogist.cc/hr/research/how-we-grade-a-conversation/))
- **Učenje:** Cadence, radno okruženje u kojem učimo Oasis Speech. Javni repozitorij je fork našeg produkcijskog sustava, pod MIT licencom ([Cadence](https://dialogist.cc/hr/research/cadence/))
- **Telefonija:** SIP s G.722 i G.711, na telefoniji Incoplax

U vlastitoj infrastrukturi cijeli se stog instalira na vaše poslužitelje pomoću Dockera, po potrebi i bez interneta. Server Unit nosi 100 istodobnih poziva, a test opterećenja prošao je do 176% toga. [Server Unit pod opterećenjem](https://dialogist.cc/hr/research/server-unit-under-load/)

## 100 poziva po Server Unitu, testirano do 176%

Server Unit nosi cijeli glasovni stog za do 100 istodobnih poziva. Opterećenje smo podizali od jednog poziva do 176% nazivnog kapaciteta i pratili vrijeme odgovora, udio odgovorenih replika i same pozive. Zatim smo stog optimizirali za veliko opterećenje i ponovili test: kapacitet na razini Standard otprilike se udvostručio, a na najvišem koraku svi su pozivi spojeni i nijedan nije prekinut.

Load bands: Nisko, Umjereno, Visoko, Vrhunac, Nalet; the plan (100 calls) is the end of Visoko.

Izmjereno na jednom Server Unitu. [Server Unit pod opterećenjem](https://dialogist.cc/hr/research/server-unit-under-load/)

## U brojkama

Izmjereno na ispitnom postolju za test opterećenja s agentom za zapošljavanje, osim ako je drugačije navedeno.

- **≈ 0,27 s** vlastito vrijeme agenta od posljednje riječi pozivatelja do prvog zvuka
- **35 ms** od odluke da je pozivatelj završio do prvog zvuka, s ranim startom
- **96%** replika ima prepoznati tekst spreman unutar 10 ms od te odluke
- **≈ 100 ms** do prvog zvuka tek sintetizirane rečenice (medijan)
- **≈ 1 ms** za reprodukciju fraze koja je već u glasovnoj predmemoriji
- **5–8×** brže od stvarnog vremena: koliko se brzo glas sintetizira
- **94%** prvih fraza dolazi iz glasovne predmemorije
- **98%** odgovora pokreće jezični model prije kraja stanke
- **> 99%** replika pozivatelja odgovoreno pri 176% nazivnog kapaciteta
- **≈ 150 ms** za brzu pretragu znanja na poslužitelju

Spremnost prepoznavanja: 96 do 97% od 58.000 replika pri svim opterećenjima. Brzina glasa: medijan 5,0 do 6,5× kroz razine opterećenja, samo promašaji predmemorije. Prvi zvuk nove rečenice: medijan 76 do 106 ms kroz razine opterećenja.

---

Contact: hello@dialogist.cc