---
title: "Slušanje dok govorimo"
description: "Kako Dialogist agent nastavlja da sluša dok govori, počinje odgovor još u pauzi i razlikuje upadicu od kašlja."
canonical: "https://dialogist.cc/sr/research/listening-while-talking/"
locale: "sr-Latn-RS"
updatedAt: "2026-10-24"
---

# Slušanje dok govorimo i šta agent radi sa otvorenim kanalom pozivaoca

Istraživanja · 2026-10-24 · Dialogist team

> Kako Dialogist agent nastavlja da sluša dok govori, počinje odgovor još u pauzi i razlikuje upadicu od kašlja.

Na telefonskoj liniji oboje mogu da govore istovremeno. Glasovni agent koji odgovara samo kad pozivalac ćuti, a dok govori je gluv, radi u half-duplex režimu i zvuči kao voki-toki. Ova beleška opisuje kako Dialogist agent nastavlja da sluša dok govori. Nadovezuje se na raniju belešku, [Kako znamo da je pozivalac završio](/sr/research/knowing-when-the-caller-has-finished/).

Brojke o latenciji potiču sa pravih telefonskih poziva (model kraja replike) i sa stenda za test opterećenja s agentom za regrutaciju (rani start).

_Brojke o latenciji iza ove beleške._

| Mera                                                                          |        Vrednost |
| ----------------------------------------------------------------------------- | --------------: |
| Replike pozivalaca na pravim pozivima rano zatvorene intonacijom, pre tajmera |             87% |
| Vreme vraćeno po replici tim ranim zatvaranjima, u proseku                    |         ≈ 0,3 s |
| Odgovori kod kojih jezički model počinje pre kraja pauze                      |             98% |
| Ušteda vremena odgovora zbog ranog starta, od jednog poziva do 128 razgovora  | od 89 do 235 ms |
| Klipovi „aha“ puštani pozivaocu bez odobrenja čoveka                          |               0 |

## Šta podrazumevamo pod full duplex

Agent je strimujući cevovod, a svojstvo do kog nam je stalo je da **kanal pozivaoca ostaje otvoren**. Dok agent govori:

- detekcija glasa nastavlja da radi na zvuku pozivaoca;
- prepoznavanje ga nastavlja strimovati u okvirima od 20 ms;
- agentov izlazni zvuk prolazi kroz mikser koji ga može stišati, zatupiti, pauzirati i nastaviti, i u njega mešati druge zvukove.

Odeljci ispod opisuju šta agent radi sa tim otvorenim kanalom.

## Odluka da je replika gotova

Tajmer tišine bira između dve loše opcije: čekati dovoljno dugo da bude siguran, pa svaki odgovor kasni, ili reagovati na kratku pauzu i prekinuti ljude usred broja.

Agent čeka 192 ms, a zatim pita mali model da li je rečenica zvučala završeno. Ako je model siguran, replika se odmah zatvara. Ako nije, agent nastavlja da sluša, a duža tišina i dalje zatvara repliku da niko ne čeka beskonačno.

- Presuda modela važi na sledećem okviru zvuka od 32 ms.
- Na pravim pozivima (1.468 replika pozivalaca) model je rano zatvorio 87% replika, 95% njih na prvi pogled, i vratio u proseku oko 0,3 s po replici. U 96% pauza u kojima je pozivalac samo razmišljao, sačekao je.
- **Prvo posmatraj.** Model ima tri režima po agentu: off, observe i commit. U režimu observe beleži šta bi odlučio i ništa ne menja. Pragove podešavamo na pravim pozivima u režimu observe, a prelazimo na commit kad se log slaže s onim što su pozivaoci radili.
- **Liste i brojevi** su mesto gde najpažljivije tražimo prerana zatvaranja. Pozivalac koji čita broj kartice zvuči završeno između grupa cifara.

## Početak odgovora pre kraja pauze

Između poslednje reči pozivaoca i zatvaranja replike postoji prozor od 200 do 400 ms. Prepoznavanje u pauzi pravi probni prolaz, pa je tekst obično već poznat.

Rani start koristi taj prozor. Kada je pauza dovoljno duga, a probni tekst dovoljno pouzdan, agent gradi prompt koji bi gradio posle zatvaranja replike, s očekivanim odgovorom pozivaoca na vrhu, i šalje ga jezičkom modelu. Model piše prvu rečenicu dok je replika formalno još otvorena.

Rani zahtev može samo da **čita**, i zato je bezbedan:

- ne upisuje ništa u istoriju razgovora;
- ne poziva sintezu govora;
- ne izvršava alat i ne može da završi ni prebaci poziv;
- ako se replika zatvori s istim tekstom, istim promptom i istom istorijom, agent uzima pripremljene rečenice. Ako se bilo šta razlikuje, agent odbacuje zahtev i izvršava se uobičajeni put;
- ako pozivalac ponovo počne da govori ili upadne u reč, agent otkazuje zahtev i zatvara HTTP tok.

U testu opterećenja zahtev je krenuo pre odluke kod 98% odgovora, u proseku 225 ms ranije pri 50 razgovora i 508 ms ranije pri 128. Rani start skratio je prosečno vreme odgovora za 89 ms s jednim razgovorom, za 189 ms pri 96 i za 235 ms pri 128.

> Ušteda raste s opterećenjem: pod opterećenjem se replika duže zatvara, pa pripremljeni odgovor ima više vremena da bude gotov.

## Upadice

Pozivaoci upadaju agentima u reč. Agent u nekoliko desetina milisekundi odlučuje o dve stvari: da li je ovo uopšte upadica i da li je dovoljno važna da stane.

### Dva načina otkrivanja

Upadica potvrđena tekstom traži da je prepoznavanje proizvelo bar četiri slova teksta. Akustička traži da detekcija glasa čuje neprekinut govor, što je brže. Akustički režim ima sopstveni prag, odvojen od onog koji otvara običnu repliku, jer greška košta više: pogrešno „replika otvorena“ košta prazan bafer, a pogrešna upadica prekida agenta usred reči.

### Šta se ne računa

Akustički režim zahteva neprekinut govor iznad praga. Tastatura proizvodi mnogo kratkih naleta; brojač se resetuje na svakom razmaku između njih i nikad ne dostiže granicu. Govor ga drži bez razmaka. Kašalj i goli „aha“ takođe se ne računaju.

### Eho

U pozivima iz pregledača eho agentovog sopstvenog glasa može stići do mikrofona. Agent ga prepoznaje kao eho, bez akustičke potvrde i uz nisku pouzdanost prepoznavanja, i završava svoju rečenicu.

### Šta agent pamti

Agent prekinut odgovor označava u sledećem promptu, tako da model zna da pozivalac nije čuo sve. Opciono agent dobija i neizgovoreni ostatak odgovora i može da ga nastavi ili odbaci.

### Prekidač

Agent se može podesiti da uopšte ne ustupa reč, za linije koje se moraju pročitati u celini.

## Korak unazad pre zaustavljanja

Prekinuti na prvi zvuk je nepristojno kad je taj zvuk „da, da“. Kada pozivalac počne da govori, agentov glas se prvo povlači i staje tek ako se govor pokaže kao upadica.

- Kada pozivalac počne da govori, jačina se spušta. Podrazumevano pada 15 dB u 150 ms, a glas se i zatupljuje: visoke frekvencije se smanjuju i uključuje se niskopropusni filter, pa spuštanje zvuči kao da se neko odmaknuo od telefona.
- U režimu **hold** agent pravi pauzu posle otprilike jednog sloga (200 ms). U režimu **duck** nastavlja da govori tiše.
- Ako se govor pozivaoca računa kao upadica, agent staje, uz utišavanje od 30 ms. Ako se ne računa, glas se vraća za 300 ms.
- Posle hold-a agent čeka pola sekunde u slučaju da pozivalac ponovo progovori, a zatim nastavlja od najbližeg razmaka između slogova (do 400 ms unazad), od početka rečenice ili od tačne tačke, šta god odgovara. Ako je pauza bila duga (1,5 s), vraća se na početak rečenice.
- Ako se ni jedno ni drugo ne desi 2,5 s, agent odlučuje da li će stati ili vratiti glas.

Svaka od ovih stavki ima postavku po agentu, a agent koji ne sme da bude prekidan ne spušta jačinu.

## Izgovaranje „aha“

Dok pozivalac dugo govori, tišina s druge strane zvuči kao prekinut poziv. Ljudi je popunjavaju sitnim glasovima.

Agent radi isto, s bankom kratkih potvrda: „aha“, „tako je“, „mm“. Klipovi su **unapred renderovani agentovim sopstvenim glasom, a čovek ih sluša i odobrava** pre nego što se bilo koji može upotrebiti. Ako glas nema odobrenu banku, funkcija se za taj poziv sama isključuje, a agent ne pušta nijedan neproveren klip.

Agent pušta jedan klip:

- u pauzi u govoru pozivaoca (250 do 600 ms tišine) ili na tajmeru;
- tek pošto je pozivalac govorio 2,5 s;
- s verovatnoćom (podrazumevano 0,6), najviše jednom u 3 s i 3 puta po replici;
- nikad isti klip kao jedan od poslednja četiri;
- ne kada model kraja replike procenjuje verovatnoću „završeno“ iznad 0,4.

Agent pušteni klip izostavlja iz istorije razgovora, a kada se njegov eho vrati linijom sa slušalice pozivaoca, agent ga uklanja iz transkripta. Sve ovo traži prozor pauze: replika mora ostati otvorena duže od pauza koje agent traži. Ako postavke ne ostavljaju prostora, funkcija se za taj poziv sama isključuje, a kartica agenta u Prompt Studiju prikazuje upozorenje.

## Ostatak prostorije

- **Pozadina.** Opcioni zvuk kancelarije ili sale za sastanke, ekvilizovan, umešan od prve sekunde poziva. Agent ga ne računa kao sopstveni glas za tajmere tišine i upadice.
- **Tišina.** Ponovni upit pa učtivo pozdravljanje, mereno od kraja reprodukcije na liniji, a ne od kraja sinteze.
- **Pouzdanost.** Agent prosleđuje nesigurnost prepoznavača jezičkom modelu kao napomenu uz repliku, broj ili oznake uz pojedine reči. Prompt nalaže modelu da pita ponovo umesto da pogađa ime ili cifru.
- **Pozdrav.** Agent generiše pozdrav i strimuje ga po rečenicama tokom kašnjenja zvonjave, tako da počinje čim se linija javi.

## Kako to testiramo

- **Observe pre commit** za model kraja replike, kao gore.
- **Prompt Studio** ima karticu za poziv: iz pregledača pozovete agenta i čujete isti pozdrav, isto rukovanje tišinom i ista prebacivanja kao na telefonu.
- **Polygon sonde** proveravaju ponašanje u simuliranim razgovorima („da li je agent ponovo pitao posle čudnog odgovora?“). [Kako ocenjujemo razgovor](/sr/research/how-we-grade-a-conversation/) opisuje metodu, a [stranica Tehnologije](/sr/technology/#polygon) opisuje Polygon.
- **Test opterećenja** proverava da sve ovo važi uz 100 aktivnih poziva: pogledajte [Jedan Server Unit pod opterećenjem](/sr/research/server-unit-under-load/).

Tags: Research, Smena replika

---

Contact: hello@dialogist.cc