声网宣布联合美团、xbench 共同推出用于评估大模型在 AI 外呼场景性能表现的综合评测标准 VoiceAgentEval ，旨在填补行业空白，让从业者更清晰的了解在真实 AI 外呼业务场景中各个大模型的综合性能表现，并为 AI 外呼场景的落地与技术体验的优化提供核心参考依据。

根据介绍，VoiceAgentEval 实现了从“基准测试构建”、“用户模拟器”和“交互质量评估方法”三个主要维度评估 AI 外呼的能力。

该框架的主要特点包括：

• 基准测试构建：构建一个基于真实外呼业务数据的语料库。该语料库涵盖六大业务领域（客服、销售、招聘、金融、调研、主动关怀与通知）和 30 个子场景。对于每个子场景建立了详细的评估方案，包括场景特定的流程分解、加权评分系统和领域自适应指标，为细致和客观的评估奠定了坚实基础。
• 用户模拟器：通过利用来自真实业务场景的交互数据，我们构建了大量有效且稳定的用户模拟器。这使得能够在可控和可复现的环境中测试模型，检查它们在不同沟通风格下的任务完成能力。
• 评估方法：建立“文本+语音”双维度评估，针对文本评估开发了一个双层评估系统，包括任务流程遵循和一般交互能力，通过标准化场景设计和定量评分机制实现精确评估。语音评估方面，在三大场景中建立了 15 个指标，这些指标整合了专家评分和客观数据，为语音识别准确性、音频质量和交互体验提供多维度量化。