Cocast 试验语音优先引导流程，3 分半对话收集深度偏好

Cocast 是一款小型 AI 播客应用。你告诉它你对什么感兴趣，它会推荐短小精悍的播客话题，并为你保留的那些话题生成内容。它产出的一切都取决于它对用户真正想听什么的理解程度。

直到这个月，引导流程还是一个包含十个话题的网格。你点选几个然后继续。这种方式有效，但也让应用在起步时缺乏实质内容。

有三项变化让语音优先的引导流程变得可行。合成语音现在听起来很悦耳。低延迟让对话感觉自然。而且推理模型可以在对话的同时调用我应用中的函数。把这些结合起来，一场对话就能填充数据库，为后续更深度的个性化打基础。没有用户会愿意手动输入那么多信息。

两者收集的信息量根本无法相提并论。

之后：来自简短对话的深度上下文 2 个兴趣、8 个角度、1 个时间表、1 份听众摘要，来自 3 分 36 秒的对话。

从随意对话中获取的信息量、细微差别和上下文，远比在确定性引导流程中点击几下要丰富得多。一个网格记录的是十个选项框中哪几个被勾选。三分半钟的对话产生了横跨两个主题的八个不同角度，每个角度都有一句话的细节，外加一份关于听众喜欢何种讲解方式的摘要。

我测试了多次，对对话质量、回答的低延迟、它提出的追问以及它处理被打断的方式印象非常深刻。

语音代理运行在 ElevenLabs 上，使用其 v4 Turbo 语音模型。它可以调用应用中的函数，例如 save_interest、set_schedule 和 finish_onboarding。对话是开放式的，而应用保持确定性。模型只能通过特定的、预定义的路径写入数据。

我最近体验了一个由生成的虚拟人视频主导的 SaaS 引导流程。它问我今天过得怎么样，坦白说，我很恼火——在我告诉一个渲染形象我今天过得如何之前，它就是不肯继续。我不认为这是未来。

但人与人之间的对话依赖于我们所看到的东西。我们观察对方的脸来判断对方是在倾听、即将开口，还是在思考。去掉所有线索，人们要么互相抢话，要么陷入沉默，怀疑自己的话有没有被听到。所以我设计的光球为用户提供微妙的视觉线索。它的设计灵感来自 MIT 许可的 AI-Orb 项目。

等待中。一团色彩低低地停在玻璃中，缓缓呼吸。 轮到你了。色彩升起并保持静止，像屏住的一口气。你的声音以从边缘流入的光线呈现。 处理中，通常是在保存。色彩绕玻璃旋转。 轮到它了。色彩居中，它声音的每一次起伏都向边缘飘散。

同样重要的是让用户看到他们不是在对着虚空说话，对话正在被转化为具体的引导步骤。在 Cocast 中，每个保存的兴趣都会以卡片形式出现在屏幕底部。

第二个线索是普通的 UI。当代理保存一个兴趣时，一张带有 emoji、标签和标记的卡片会滑入。用户可以一眼确认语音助手是否正确理解了一切。

其他东西我都去掉了。引导流程应该单向进行，只有一个明显的下一步。所以没有字幕、没有文本输入框、没有静音按钮，也没有任何需要手动编辑的东西。你通过说话来前进。如果麦克风权限被拒绝，旧的点击流程会接管。

测试引导流程的过程中，我对代理的指令做了一些微调。例如，我进一步指示它该问哪些类型的追问，以及如何在结尾总结引导流程而不重复用户说过的所有内容。总的来说，我对它第一次运行的表现感到惊讶，也对 ElevenLabs 代理连接到我的 Claude 会话后调整指令的容易程度感到惊讶。

用户完成引导后，Gemini Flash 模型会推荐短小精悍的播客话题。用户可以通过喜欢或不喜欢推荐来微调兴趣，被接受的推荐进入队列，用于每日播客生成。Gemini Pro 撰写每个脚本，并从可信来源进行搜索 grounding。

在这里，同样是 ElevenLabs 生动的声音生成播客音频。

我的五次完整测试会话每次约持续四分钟，平均花费 0.37 美元。ElevenLabs 收取两项费用。语音平台在我的方案上是每分钟 8 美分，涵盖语音转文字、轮流对话和文字转语音，所以账单不分开计算。这占了平均会话的 0.33 美元。语言模型——代理的大脑——增加了 0.04 美元。

时间都花在哪了：11 月 13 日的会话，10:34 在每分钟费用之内，上面重放的会话分解如下。Cocast 说了 113 秒，即 1,858 个字符的文字转语音。我说了 93 秒的语音转文字，另有 10 秒是停顿。语言模型读取了约 89,000 个 token，几乎全是它在每一轮都会重读的缓存指令，写入了不到 2,000 个。