在职场中，管理者与下属的有效沟通对保留高绩效员工和提升低绩效员工至关重要，但传统培训成本高。基于文本的聊天机器人虽然可扩展，却缺乏真实的口语练习，管理者需要通过朗读来建立自信。为此，本文提出 Conversation Coach——一个以语音为首的 AI 系统，帮助管理者在逼真的对话环境中演练困难的工作场景。系统需要解决三大难题：实现低延迟且具备强语言理解的交互；通过可配置的机器人人格模拟不同类型的员工，实现自适应对话；对对话内容和政策合规性提供个性化反馈。我们分别实现了端到端语音到语音模型和由自动语音识别、 大语言模型、 文本到语音三段组成的级联方案。端到端方案在中位延迟上降低了 3 倍，支持本地插话，成本估计降低 8 倍；而级联方案在推理能力上更强，提升了教练质量。最终我们在生产环境部署了级联架构，六个月内超过 4 万名管理者使用，使用数据表明他们主要在处理高难度对话时选择该工具。
点评