多语种语音客服能不能上线，实际判断点是：你自己的工单语句在目标语种里，客户能不能听清、数字念得对不对、句子断在哪里。通用演示用的多是标准短句和clean text，这三点基本不暴露。建议在接 Eleven Realtime 这类实时语音接口之前，先抽一批自有工单语句做小样本听测，用三人打分和失败归类决定哪些语种先开、哪些语种必须配人工兜底。这样做的代价是要花时间整理样本，好处是上线边界来自自己的语料，不是厂商 demo 的观感。
多语种语音客服是否可交付，通常不看通用演示的流畅度，而看自有工单语句在目标语种下的口音自然度、数字读法和断句位置。可以先抽几十条真实工单语句，统一文本输入与音频落盘，由三人独立按四项打分，再把失败样本归到数字、缩写、专有名词、中英混读、长句断点五类。最终产出是按语种划分的三档上线边界，而不是一个笼统的准确率。这一方法不覆盖并发、延迟和话务峰值，那些需要另外压测。
从真实工单抽测试句
样本要从客服系统已结案的对话里抽，不要用产品说明书写成的句子。抽取时按五个维度交叉覆盖，每个语种各自成套，方便后面横向对比。
| 维度 | 抽法 | 每语种条数 | 编号前缀 |
|---|---|---|---|
| 语种分布 | 按工单真实占比取前 3–5 个语种，冷门语种单独列一套 | 12–20 | L-语言代码 |
| 句式长短 | 短句不超 10 词、中句 11–25 词、长句 25 词以上，三种各占约三分之一 | 9–15 | S-短 / M-中 / G-长 |
| 含数字 | 金额、订单号、时间、按键序号各取若干 | 8–12 | N-序号 |
| 含专有名词 | 人名、地名、商品名、承运方名称 | 6–10 | P-序号 |
| 中英混读 | 品牌词、按钮名、状态词夹在本地语句中 | 5–8 | X-序号 |
编号规则建议统一成「语种-维度-序号」，例如 es-N-03 表示西语第 3 条数字类样本。同一条样本被多个维度命中时，按最需要验证的那个维度归类，避免重复计数。抽取时保留客户原话，包括语气词和口误，不要顺手改成通顺句，因为口误恰恰是断句问题的高发点。
统一输入与音频落盘
多语种听测最容易出错的地方是比较基准不一致：同一个语种换了音色，或者一条样本加了标点、另一条没加，结果就没法并排看。文本输入按下面几条固定下来。
- 每条样本只保留一份文本，不做人工润色、不补全省略的主语。
- 标点保留原始形态，包括问号和感叹号，因为断句表现与标点强相关。
- 数字原样保留，不预先转写成读法，让合成端自己决定念法。
- 专有名词保持工单里的原始大小写和空格。
- 同一批对比中，音色与语气提示保持一致，只改语种这一个变量。
落盘目录按语种分开，文件名与样本编号一一对应，方便回听时直接定位到是哪条语句。
listening-test/
manifest.csv
audio/
zh/
zh-S-01.wav
zh-N-03.wav
es/
es-G-02.wav
es-X-01.wav
ja/
ja-P-04.wavmanifest 至少包含这些列，逐条填。
sample_id,lang,text,dimension,scene,voice_alias,file,note
zh-N-03,zh,"您的余额是 1080 元",数字,账单查询,V3,audio/zh/zh-N-03.wav,验证方式很简单：随机抽 10 个文件名，打开音频听第一句，与 manifest 对应行比对，文本和语种都对得上，说明落盘规则执行到位。voice_alias 用自己起的别名即可，不必在听测表里写接口参数名。
三人独立打分
「听着别扭」不是可汇总的信息。让三个人各自独立听、独立打分，再合并，比一个人反复听要稳。建议四人参与、三人打分、一人只在出现分歧时复听，打分期间不交流。
| 评分项 | 粒度 | 判断依据 |
|---|---|---|
| 可懂度 | 1–5 整数分 | 一遍能否听懂，是否需要回听 |
| 口音自然度 | 1–5 整数分 | 是否像本地人说话，有无明显异域腔 |
| 断句位置 | 1–3 三档 | 断对、断在从句中间但可接受、断在词中间 |
| 数字读法 | 正确 / 错误 / 未读出 | 逐位读、整读、单位读法是否符合该语种习惯 |
不设半分，避免打分人纠结。分歧处理规则提前写明：同一项三人分差达到 2 分或以上，或数字读法出现一对一错，就标记复听，由第四人单独听并记录分歧点，而不是取平均后不了了之。汇总时不用总分排名，只看每个评分项的分布和失败样本编号，因为把它平均成一个总分，会掩盖数字类这种只要出错就影响交付的问题。
归类失败类型
听测结束后会得到一堆零散的“怪”。把它们收敛成五类，每一类留下原始样本片段和编号，才方便回头改文本、改话术或判定为不可修。
- 数字：常见的是整读与逐位读混用、单位缺失。
样本片段：「您的余额是 1080 元」「请按 2 号键转人工」 - 缩写：字母串被连读成一个怪词，或逐字母读得含糊。
样本片段：「请提供 SN 码」「VIP 客户走 T2 通道」 - 专有名词：地名、品牌名的重音和停顿不自然。
样本片段：「请确认是华景花园 3 期」「承运方是安捷物流」 - 中英混读：本地语句中夹的词切换生硬，或切回来时语调掉下去。
样本片段：「请在 App 里点我的订单」「这个型号已经下架了」 - 长句断点：气口落在从句中间，或一句话拖得太长听不出层次。
样本片段：「如果您昨天下的单今天还没有收到并且物流信息也没有更新，可以帮您登记催单」
归类时只记现象，不急着给原因。同一编号下挂两个以上原始片段，说明这不是偶发，值得单独处理。
把听测结果转成上线边界
打分表和失败清单最后要落到一句话：这个语种能不能直接开、开到什么程度。建议按语种逐行判断，三档判据如下，这是操作口径，不是实测结论，具体阈值需结合自己的话术和客群确认。
| 档位 | 判据（按语种逐条看） | 配套动作 |
|---|---|---|
| 直接上线 | 三人可懂度均不低于 4 分；数字读法三人一致判对；断句无落在词中间的情况 | 先接非关键场景话术，如查询与提醒 |
| 加人工兜底 | 可懂度稳定，但数字或专有名词类存在可复现错误；或口音自然度分歧较大 | 改写话术规避，如让客户按键输入数字；保留转人工入口 |
| 暂不上线 | 三名打分人一致判为听懂困难；或长句断点普遍落在词中间并影响理解 | 该语种只用文字渠道，语音继续走人工 |
落表时以失败样本编号为依据，而不是凭印象。如果某个语种只有一批长句出问题，也可以是「直接上线 + 长句改短话术」的组合，不必整语种降档。上线后回听真实通话，把新增的失败片段补回同类清单，边界随之调整。