评估全双工语音代理是否完成任务

目标

同时评估连续语音交互质量、实际工具调用、后台状态和最终答复，形成端到端任务结果报告。

步骤

1. 用CRAWL合成音频跑单轮可控请求。 [src-openai-evaluate-full-duplex-voice-agent-task-outcomes]
2. 用WALK回放录音以检查音频鲁棒性和交互行为。 [src-openai-evaluate-full-duplex-voice-agent-task-outcomes]
3. 用RUN模拟多轮来电并核验后台任务状态与用户听到的结果。 [src-openai-evaluate-full-duplex-voice-agent-task-outcomes]

验证方式

逐例对照说话意图、工具轨迹、后台最终状态和口头回复；分别记录三种复杂度模式的失败。

故障处理

若语音确认正确但后台状态错误，检查实际工具执行和状态断言；若录音重放偏差，核对音频与用例映射。