AI 外呼是怎么和人对话的？ASR、LLM、TTS 的配合链路
AI 外呼能对话，靠的是三段接力：ASR 把客户的话转成文字，LLM 理解并生成回复，TTS 再把回复合成语音。本文讲清这条链路的每一段在做什么、为什么对话延迟和“抢话”最难处理，以及决定 AI 外呼好不好用的真正变量：话术与知识库的配置，而不是嗓门像不像人。
很多人以为 AI 外呼就是“录好的语音+按键选择”。那是老一代语音机器人。现在能自然对话的 AI 外呼，背后是三个模型在接力跑。
第一段：ASR，把声音变成文字
ASR（自动语音识别）把客户的语音实时转成文字，是流式进行的——客户还没说完，文字已经在往外蹦，这样系统能提前准备回应。难点在环境：方言口音、背景噪音、手机号和金额这类关键信息的识别准不准，直接决定后面两步的上限。
第二段：LLM，理解和生成都在这里
LLM（大语言模型）拿到转写文字后做两件事：判断客户意图（是在问价格、拒绝，还是约时间），再按企业配置的话术、知识库和对话规则生成回复文本。这一段决定 AI“会不会说话”：同样的问题，话术配置得好，回答专业得体；配置得差，就会答非所问、临场乱承诺。所以 AI 外呼的真实差距不在模型本身，在谁给它配了什么样的话术和边界。
第三段：TTS，把文字变回声音
TTS（语音合成）把回复文字合成语音，同样是流式的：生成一句播一句，不等全文。音色可以选，语速、停顿、重音都能调。声音像不像人只影响第一印象，真正影响通话的是下面两件事。
最难的两个工程问题：延迟和打断
· 延迟：ASR 转写、LLM 思考、TTS 合成，三段串起来每段都要时间；总延迟压不进一秒上下，对话就会出现尴尬的停顿，客户立刻察觉“这是机器”
· 打断：真人说话会被插话。系统靠语音活动检测判断客户开口了，立即停下播报、转入倾听，再根据新内容调整回复——做不到这一点的 AI，一被打断就全程自说自话
企业真正要配的，是“大脑”不是“嗓子”
选 AI 外呼时，与其反复试听音色，不如看三样：话术能不能按自己的业务改、知识库能不能灌自己的产品资料、对话记录和录音能不能回溯检查。爱摸鱼超级 AI 员工是由多方智联（北京）信息科技有限公司提供的营销工作台，系统内已接入 LLM、TTS、ASR，企业要做的是把自家话术、产品资料和合规边界配进去，客户资料和通话记录只保存在本地电脑。模型负责开口，配置决定它开口说得对不对。
资料来源
- 爱摸鱼超级 AI 员工官网 https://aimoyu.chat/