Relyable

它不生产语音代理，而是给已经做好的语音代理做质检。团队把代理接进来，它用模拟对话在上线前跑测试、按评分标准打分，上线后继续监控通话并在出问题时告警。也就是说语音机器人负责跟客户说话，它负责判断说得对不对、有没有出故障。

先把业务里在意的检查点写成评分标准，再配置模拟对话场景，然后跑测试并看每轮的评分结果。整个过程可以在无代码界面上完成；如果团队有开发流程，也可以用 API 把评估挂进去，让每次改动自动跑一遍，不用靠人工反复打电话试。

评分标准由使用者定义，需要自己写。这既是它的灵活之处——能把确认身份、说明费用这类业务要求变成可打分的检查项；也是前期的主要工作量，标准定得含糊，跑出来的分数就没法用来判断能不能上线。建议先照着线上出过问题的对话反推检查点。

人工抽查覆盖少、复现难，同一个问题这次听到、下次未必能再碰到。它用模拟对话批量跑，场景可以固定下来反复复测，改一版就能看有没有退化；线上监控则补上人工听不过来的部分，通话一出异常就告警，不必等客户投诉才发现。

不适合。它的场景、评估和监控都是围绕真实语音通话搭的，面向电话客服、外呼、语音助手这类任务。如果你的客服机器人只处理网页或 App 里的文字对话，用不上它的语音模拟和通话监控，应该去找偏文本对话评测的工具。

看走哪条路。无代码界面能让测试或运营人员自己配置场景和评分标准，不必等排期；要把评估接进持续集成、每次改动自动回归，就需要开发用 API 接入。没有开发资源也能用，只是自动化程度会低一些，跑测试还得手动触发。

只要人工已经听不过来就该开。监控的价值在于通话出异常时立刻告警，而不是等月底复盘才发现一批对话都坏了。线上的对话量越大，人工抽听覆盖的比例越低，越依赖自动告警。刚开始用建议先校准告警阈值，避免误报太多导致没人再看。