你的语音智能体几乎肯定已经知道自己把邮箱地址写错了——而在唯一一个衡量「下一步」的公开基准上，它只修好了自己抓到的错误里的四分之一到三分之一。检测是团队真正建起来、也确实管用的那一部分。修复是没人打过分的那一部分，而电话正是在那里丢掉的。
速览
τ-Entity 是 Sierra 在 2026 年 10 月下旬发布的口述实体基准，来自 9 月流传的预印本《τ-Elicitation：语音智能体多轮实体抽取基准》。它只做一件很窄的事，这正是它的数字能读懂的原因。
| 属性 | τ-Entity | 为什么要紧 |
|---|---|---|
| 任务 | 在一次外呼回电里采集一个确切的缺失值 | 每通电话一个字段、来电者配合——没有歧义可以躲 |
| 规模 | 200 道任务，10 种实体类型 | 姓名、电话号码、邮箱地址：卡住后面一切的那些字段 |
| 指标 | 稳健 Pass3——三次环境实现全部成功 | 测的是可靠性而非能力；蒙对一次不算数 |
| 评分 | 直接比对最终的数据库状态 | 不用大模型裁判，也就没有裁判漂移可争 |
| 文本对照 | 条件对齐的文本智能体每道题都对 | 差距出在通道上，而不是模型做这件事的本事上 |
| 语音结果 | 四种配置的稳健精确成功率在 0.14 到 0.41 之间 | 其中最好的那个，五通电话里要失手三通 |
对照条件本身就是全部论点
只报一个数字的基准，邀请你去争论那个数字。这一个报的是一对，而这一对把惯常的几条退路都堵死了。把同样的两百道任务用文本交给同一个智能体，它两百道全对。把一模一样的任务放到音频通道后面，最好的配置拿到 0.41，最差的 0.14。
所以这不是推理失败，也不是一段提示词能修掉的东西。它同样不是——尽管这是最顺手的猜测——那种「换个更好的语音模型就能补上」意义上的转写失败。论文自己的结论把瓶颈点名为策略选择与成功恢复，也就是说，是第一次听错之后发生的那两件事，而不是听错本身。
哪些拟真旋钮动了分数、哪些没动，也佐证了这个读法。拼读方式的变化与重新开口——来电者说「等等，我重说一遍」——并未可检测地改变精确成功率。发音不标准则抬高了修复代价。那些让音频一次性更难听清的扰动是扛得住的；而那个逼着智能体再走一遍流程的扰动，才是贵的那个。
检测不是修复，而两者之间的落差才是产品
下面这个发现值得为它重排路线图。这个基准里的智能体核验出了相当多自己的错值。然后，在它们核验出来的错误里，只修好了 24% 到 37%。
请读两遍，因为它把标准心智模型整个翻了过来。业界对口述实体错误的答案是确认：把值复述一遍，请来电者确认，然后把确认过的值当成正确的。那套设计假定难的是「察觉」。而测量说的是，察觉相对容易，难的是智能体在那之后四十秒里做的事。
那张图的形状就是论点。从没有修复步骤到有一个，挽回的取值多出一倍以上——10% 到 24% 或 26%——所以第一份繁文缛节非常值钱。在第一种机制之上再叠第二种，只多九个百分点，而不是又一个十六。两种机制重叠，因为它们对付的是同一种错误；而两者都修不掉的那些，并不是证据不足的错误。它们是智能体重犯的错误。
Sierra 的文章直接点出了两种失败形态：有时智能体重复同一个错误，有时它把原来的值换成了另一个错的。后者更糟，而且它破坏了惯常的上报逻辑——因为一个在重试时给出不一样的错答案的系统，在你所有的计数器看来，都像是一个正在取得进展的系统。
重试循环为什么会把错误复制一遍
一个把「M」听成「N」、然后请来电者再说一遍的智能体，并没有改变任何产生这个错误的条件。同一个通道、同一个说话人、同一对音素、同一个解码器。第一次让 N 压过 M 的那个先验，依旧站在 N 那边。而来电者自己会不请自来地改变一件事：人们第二次念同一个标识符时念法不一样——更快，或者分组不同——于是重试产出的是一个新位置上的新错误，而不是旧位置上的一次纠正。
这正是为什么那些数字奖励的是不同的仪式，而不是更多的仪式。只拼读和只复述的分数相差不到两个百分点，因为各自提供了一种新的证据。两者合起来分数更高，因为证据有了两种。而把同一个值再复述一遍，提供的新证据种类是零，基准正在悄悄告诉你：那几乎什么也买不到。
由此落下来的运维规则很窄，也可以验证：在一次修复尝试里，绝不要重跑刚刚失败的那个策略。如果采集是对话式的，修复就应该是字符级的。如果第一次修复是复述，第二次就该换证据类型——用消歧字母表拼读、分块确认，或者干脆放弃自由采集，转而在你手上已有的候选集合里做解析。本站对最后那一招的长期建议在《通过语音处理字母数字串》里，而 τ-Entity 是迄今最有力的佐证：这个基准自己最好的配置仍然三通电话要错两通，所以最便宜可靠的标识符，是那个根本不经过音频通道的。
脚手架有用，而它按秒计费
论文还测了完整处方：一套规定了拼读、复述、纠正与确认的脚手架，而不是把策略留给智能体自己挑。它把稳健 Pass3 抬高 14 到 31 个百分点，代价是每通电话 21 到 28 秒。
这句话的两半都是发现。前一半说，规定胜过自由裁量——模型自己决定何时拼读、何时确认，本身就是坏掉的东西里很大一块，也就是结论点名的那个「策略选择」。后一半说，这个修复有单价，而在语音里单价就是时间，因为模型底下的整条栈都按时钟计量。
多数团队把多出来的 21 到 28 秒读成一笔显然的成本、一个该犹豫的理由。正确定价之后，它通常是便宜的那个选项。按各家托管语音栈在 2026 年 10 月公布的每分钟费率，半分钟通话时间是个位数美分；而一次外呼回电上写错的邮箱地址，代价是一次认证失败、一通二次来电，外加一个人。完整的算术我们在《一分钟语音的成本》里算清楚了。简短版本是：确认轮次是智能体工程里少数几项你能把价钱算到准确的质量干预之一，而且它很小。
如果你只从这个基准里拿走一项改动，那就让它是一个被仪表化的修复计数器，而不是一次提示词编辑。按通话记录：这个值有没有被标记过、跑的是哪种修复策略、以及最终数据库里的值是否匹配。只测采集准确率和确认率的团队，测的是两个本来就已经管用的阶段。
这件事改变了语音评测的什么
三件事，按工作量从大到小排。
先是指标。τ-Entity 打的是稳健 Pass3——三次环境实现全部成功——这是 passk 那套论证在语音上的对应物，而那套论证正在重塑整个智能体评测。在配合的来电者身上拿到的单次通过率是一项能力主张，而没有人在外呼回电上购买能力；他们买的是那个值是对的。一般情形见《评测方差与统计效力》。
其次是评分方法，而这是值得照抄的那一部分。这个基准比对的是最终数据库状态，因此不需要大模型裁判。语音评测一直在往「让裁判读转写文本」的方向漂，因为工具链返回的就是转写文本——而一份被评判的转写文本，分不清「智能体说对了」和「对的东西被写进去了」。如果你的语音智能体的工作以一次写入收尾，那就给写入打分。怎么搭这样一套评测，见《评测语音智能体》。
第三是一项预算上的改动。如果修复是那个约束瓶颈，那么一通电话的延迟预算就必须带上一份修复余量，而不是被压到地板；于是两个目标在同一通电话内部互相拉扯。这正是《延迟预算》讨论的张力——响应延迟是一个轮次之内的数字，通话时长是跨越整通电话的数字，而一个在其中一项上取胜的设计，可以在另一项上输掉，却没人看出来动的是哪根杠杆。
不该得出的结论
给这条标题加两道护栏。
这是一篇预印本，测的是一个任务族：一个缺失字段、一位配合的来电者、多数通话不到两分钟。它刻意是这个问题最容易的版本，这加强了对分数的悲观读法，却对更长或带对抗性的通话没有直接发言权。而那四种语音配置是一个按月出货的市场的一张快照；它们之间的排名是这里最先过期的部分，而「采集—检测—修复」这个拆解则不会。
它也没有说语音识别不再要紧。它说的是，识别不再是唯一值得花钱的地方；而对于那些已经把显而易见的识别改进都打开了的团队，下一位边际工程师放在修复路径上，比放在又一次厂商评估上更划算。
常见问题
τ-Entity 是什么？
一个 200 道任务的基准，衡量语音智能体能否在一次外呼回电中采集到一个确切的值——姓名、电话号码、邮箱地址——识别出自己可能弄错了，并把错误修好。它由 Sierra 在 2026 年 10 月下旬发布，更早以 τ-Elicitation 预印本的形式出现。
为什么文本智能体在同样的任务上能拿 100%？
因为这些任务作为推理问题并不难。文本对照存在的目的是把通道隔离出来：它表明在语音条件下丢掉的一切，丢在音频采集、核验与修复上，而不是丢在模型对「被要求做什么」的理解上。
稳健 Pass3 是什么？
只有当智能体在全部三次环境实现中都成功，这道任务才算通过。它测的是可靠性而非能力，就像 passk 对文本智能体所做的那样：三次里成功一次，不是一个产品。
加一道复述能解决问题吗？
帮助很大，但什么也没做完。在 347 次一开始就错的取值上，只复述挽回 26%、只拼读挽回 24%、两者同时跑挽回 35%。剩下的错误是智能体检测到、然后没能纠正的那些——常见的形态是重复同一个错误，或者换上另一个错的值。
那 21 到 28 秒的脚手架值得吗？
在多数部署里，值得。它买到 14 到 31 个百分点的稳健 Pass3，而按 2026 年 10 月各家托管语音栈公布的每分钟费率，多出来的通话时间只要个位数美分；另一边则是一次认证失败加一通人工回电。
我们是不是干脆别再让来电者念标识符了？
能不念就不念——在你手上已有的那个小候选集合里做解析，胜过转写一个任意字符串，而这仍然是杠杆最大的修复。修复路径要紧的，是那些集合确实无界的残余情形。
延伸阅读
本站：
- 通过语音处理字母数字串——为什么精确匹配是十次抛硬币的乘积，以及如何不再把字符串塞进这个通道。
- 延迟预算——那个亚秒轮次去了哪里，以及一次修复轮次在里面要花多少。
- 一分钟语音的成本——给确认轮次花掉的那些秒标价。
- 评测语音智能体——搭一套给写入打分、而不是给转写文本打分的评测。
- 不确定性与校准——「智能体知道自己可能错了」究竟意味着什么。
来源：
- Sierra —— τ-Entity: Can voice agents get the details right?
- τ-Elicitation: Benchmarking multi-turn entity extraction in voice agents（arXiv:2609.13602）
- sierra-research/tau2-bench——实现所在，τ-Entity 在 intake 域中运行。