> ## Documentation Index
> Fetch the complete documentation index at: https://docs.hubtalk.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# 14. Голос
> STT, TTS, VAD и перебивания: как настроить казахско-русского агента.
# Голос: распознавание, синтез, перебивания
**Цель модуля:** настроить казахско-русский агент так, чтобы он слышал клиента, звучал естественно и вовремя замолкал.
Секция **Голос (STT / TTS / VAD)** состоит из подсекций — разберём по одной. Общее правило: модели и голоса берутся из справочников организации, а ключи провайдеров живут в окружении сервера, не в агенте.
**Казахский и русский в одном звонке**
Клиент может начать по-русски и перейти на казахский. Чтобы это работало:
1. в STT берите модель с поддержкой `kk` + `ru` или режим `multi`;
2. в TTS — двуязычный голос (в справочнике это, например, self-hosted `cybernet` или мультиязычные облачные);
3. в общем промпте прямо потребуйте «отвечай на языке последней реплики клиента»;
4. фиксированные фразы пишите на том языке, с которого начинаете звонок.
Отдельная подсекция **Язык реплики клиента** включает определение языка каждого хода — полезно, когда нужно знать, на каком языке шёл разговор, в аналитике.
## VAD и перебивания
Здесь настраивается, как агент реагирует, когда клиент заговорил поверх него:
* **Разрешить перебивания** — общий тумблер агента (узлы могут переопределять).
* **Минимальная длительность** и **минимум слов** — защита от ложных срабатываний: кашель, «ага» и шум в трубке не должны обрывать реплику агента.
* **Порог активации** и **длительность тишины** — чувствительность детектора речи.
Соседняя подсекция **Определение конца реплики** отвечает за то, как быстро агент решает «клиент договорил». Слишком агрессивно — агент перебивает сам; слишком осторожно — неприятные паузы.
**Минимум слов по умолчанию — 2, и это осознанный компромисс**
Агент, которого никто не настраивал руками, не перебивается на одно- и двухсловных репликах. Это спасает от кашля и «угу», но той же меркой отмеряются «стоп» и «нет»: они не теряются, а доходят следующей репликой либо через обработку тишины — агент отреагирует на такт позже, а не посреди фразы.
Если сценарий требует обрывать агента одним словом (например, юридический отказ, который нужно поймать немедленно), ставьте `0` — и учитывайте, что тогда его оборвёт и кашель. Агенты, у которых ноль выставлен явно, остались на нуле.
**Активное слушание** (backchannel) — короткие «ага», «понятно» во время длинной речи клиента. Это не реплика диалога: слово идёт отдельным треком, не попадает в транскрипт и не сбивает определение конца реплики. Частота 0,6 — разумная середина; 1,0 звучит навязчиво.
**Кэш синтеза** (в подсекции TTS) отдаёт уже озвученные фразы мгновенно: приветствие и другие фиксированные фразы звучат без задержки синтеза. Поэтому «Фраза» вместо «Промпта» в начале разговора — не только про формулировки, но и про скорость.
**Пауза в речи — `[pause N]`**
Между словами можно поставить `[pause 0.5]`, и агент остановится на полсекунды; допустимы значения от 0,1 до 3,0. Это способ прочитать номер телефона группами, а не одной строкой, и дать абоненту мгновение перед вопросом, требующим решения.
Тег понимают и фиксированный текст узла, и генерируемые реплики — модели можно прямо в промпте сказать, когда ставить паузу. В транскрипт, Историю и отчёты тег не попадает: его видит только синтез.
**Но длина паузы зависит от голоса.** ElevenLabs (кроме `eleven_v3`), Cartesia, Inworld и Azure держат паузу точной длины; OpenAI, Soniox, собственный голос `cybernet` и ElevenLabs `eleven_v3` не умеют, и там тег превращается в запятую или многоточие — остановка слышна, но `[pause 2]` и `[pause 0.5]` звучат одинаково. У realtime-агента пауз не будет вовсе, валидатор об этом предупредит. Проверяется ушами: сделайте тестовый звонок, транскрипт пауз не покажет. Подробности — в [правках фраз и паузах](/ru/v4/platform/agent-settings/speech-corrections).
