FormBharo：印度农村对话式语音填表代理的设计与评估

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

印度的社会福利体系几乎以表格为入口：孕产妇保健、儿童营养补充、现金转移支付，都要先完成一份登记。行政负担研究早已指出，学习成本、遵从成本与心理成本会把最需要帮助的人挡在门外。全国家庭健康调查显示，最低财富五分位中超过一半的女性完全不识字，而一线卫生工作者每天要一对一询问、誊写，并把同一批数据重复录入多个应用与纸质登记簿（Khandre et al. 2023；Nongrum et al. 2025）。结果是登记量受限于人力而非需求，登记错误与延迟又反过来拖慢资源分配，因为登记记录正是行政部门分配资源的依据。

语音通道在低收入国家已被证明可触达人口规模：预录外呼服务 Kilkari 订阅者超过一千万、日均呼叫约一百二十万次。早期交互式语音应答依赖按键，Sherwani et al. (2009) 却发现精心设计的语音界面在低识字与识字用户中的任务完成率都显著更高。大模型驱动的实时语音代理让打电话说几句话就办成事变得可行，但在嘈杂诊所、电话信道失真、地方口音、印地语与英语混说，以及电话号码与日期这类必须落到唯一值的结构化字段上，可靠性远未解决。错误还会在填表场景里复合：来电者犹豫、中途改口，表单又按前面答案分支，一个字段错就可能把对话带到错误的路径上。

本文的贡献有三：把低识字人群的电话填表任务形式化并刻画其难点；给出 FormBharo 这一混合式语音代理，与 NGO ARMMAN 在印度马哈拉施特拉邦农村的产前产后保健项目中试点；公开 FormVoiceAgentBench 基准与组件级、端到端两级评估方法，并给出准确率、延迟、成本三维下的选型结论。

I. Theoretical Framework & Hypotheses（理论框架与假设）

论文没有提出形式化理论，其分析框架由两条线索构成。第一条是行政负担：语音代理把福利获取的前置成本从公民转移到系统，承担学习成本（无需识字、无需安装应用）与部分遵从成本（一问一答、分支自动判断），这与 Jo et al. (2025) 关于大模型助理降低行政负担却引入新的遵从与信任成本的发现相呼应。第二条是流水线误差的传播与抵消：语音识别、抽取、回复三环节串联，上游错误既可能被下游规则纠正，也可能在后续轮次累积放大，因此组件级指标不能替代端到端指标，这也解释了为何 Si et al. (2023) 发现低 WER 并不保证任务准确。

设计原则只有一句：大模型只做解释、抽取、措辞与结束判断，校验、重试、分支与选题全部保持规则化。这一分工既是成本约束下的产物，也是本文最重要的错误恢复机制，构成对全部结果解释的基础。

M. Materials & Methods（材料与方法）

试点与表单：FormBharo 与 ARMMAN 合作，在印度马哈拉施特拉邦农村招募低收入、说印地语的母亲加入产前与产后保健项目。登记表共 12 个字段，含条件分支：已怀孕则问孕周，否则问新生儿姓名与出生日期；来电号码未绑定诊所则追问绑定号码；WhatsApp 号码与来电号码不同则追问。每个字段都由 ARMMAN 共同定义，并标注必填或可选、失败时是跳过还是终止通话。

基准构建：FormVoiceAgentBench 用五份模拟用户档案搭建，每个字段有三种表示——真值、自然口语的参考转写、以及该转写的录音。地区名刻意选在试点邦之外以增加识别难度，号码则设计多种口语说法。每位用户沿表单走 2×3×4×2=48 条路径，五人共 240 个通话脚本，每条在四种声学条件下录制（理想、背景人声噪声、麦克风远近、语速快慢），得到 960 通模拟电话。录音由五位 18 至 35 岁、来自北方邦与马哈拉施特拉邦的印地语母语女性完成，并由人工逐条复核。每通电话只使用一种声学条件，因为来电者的环境不会在通话中途改变。

指标：语音识别同时报 WER 与 LLM-WER，后者剔除被判定为语义等价或音近的表面差异；抽取对封闭字段用精确匹配，对姓名等开放字段与确认语用校准过的 LLM 判官；回复在五个维度上判（问对问题、印地语、单句、不重复确认、不复述答案），结束通话的 tool call 用精确匹配。判官先在 50 条人工标注上调优，再在另 50 条留出集上达到完全一致。端到端测试把参考转写替换为各 STT 的真实转写，按轮次把抽取结果写入表单，最后比较终态表单与期望值的字段级正确率；EXTRACT 与 REPLY 再串联，用抽取的实际输出过规则层来构造回复的 tool call，以避免用理想抽取结果高估回复表现。

模型选择按流水线顺序做：先定 STT，再在其真实转写下选 EXTRACT，最后固定前两者选 REPLY。约束为组件级 p95 延迟与完成率或回复准确率的下限，通过者保留帕累托前沿，再以 min–max 归一化后的加权和 U=w_a·ã+w_ℓ·ℓ̃+w_c·c̃ 排序，权重反映部署优先级。

R. Results（结果）

语音识别：两款指标排序不一致。Nova-3 的 WER 最低（0.826）但 LLM-WER 为 0.104；Chirp 3 的 LLM-WER 最低（0.055）却贵出至少一倍；Scribe v2 以 0.062 接近最优而单价仅 0.172 美元。作者按 LLM-WER 排序，淘汰两端，保留 Scribe v2、Saaras v3、Nova-3 进入端到端测试。

抽取：参考转写下前沿模型接近饱和，GPT-5.5 以 99.79% 领先（Gemini 3.5 Flash 99.36%、两款 Claude 99.15%）。换真实转写后排名翻转：Scribe v2 转写下最好的是 Gemini 3.5 Flash 与 Claude Sonnet 4.6（均 98.94%），GPT-5.5 降到 98.62%；Saaras v3 下 Claude Opus 4.8 领先（96.22%），Nova-3 下 Gemini 3.5 Flash 领先（96.38%）。GLM-5.1 在 Scribe v2 转写下从 98.72% 崩到 63.40%，是最大单点塌陷。

端到端：参考转写下 Gemini 3 Flash 与 Gemini 3.5 Flash 达到 100% 表单完成，GPT-5.5 为 99.95%。真实转写使完成率跌幅远大于抽取跌幅：中位下降 7.67（Saaras v3）、7.38（Scribe v2）、13.56（Nova-3）个百分点，抽取中位降幅仅 0.42 至 3.14。最大单模型跌幅约 41 个百分点（GLM-5.1 加 Scribe v2，由 99.56% 降至 58.66%）。规则层确有救回作用：Gemini 3 Flash 的抽取错误全部是数字字段被返回成字符串，规则层归一化后完成率仍为 100%；其参考转写下抽取仅 95.96%，却拿到了满分完成率。

选型：Scribe v2 因中位抽取 97.29%、完成 91.84% 且跌幅最小被选为 STT。EXTRACT 约束为 p95 延迟低于 5 秒且完成率高于 90%，淘汰 Gemini Pro 与 Gemini 2.5 Flash，余六款全在帕累托前沿；等权下 Mistral Medium 3.5 得分最高（U=0.81，p95 1.75 s、每轮 0.0080 美元），Claude Sonnet 4.6 虽最准（93.01%）却因慢与贵只有 0.51。取 w_ℓ=0.1、w_a 在 0.5 至 0.9 扫描，最优只在 Gemini 3.5 Flash（0.50 至 0.61）与 Claude Sonnet 4.6（0.62 至 0.90）之间切换，最终选 Gemini 3.5 Flash：完成率仅落后 0.51 个百分点，速度更快且每轮成本不到一半。

REPLY 约束为 p95 低于 4 秒且准确率高于 95%，淘汰 Sonnet 4.6（延迟）与 Gemini 3.5 Flash（准确率），帕累托只剩 GPT-5.4-mini 与 Gemini 3 Flash，前者在整个扫描区间最优（U=0.9）。上游错误确会传导：五款回复模型在真实转写下的准确率下降 1.06 至 3.40 个百分点，中位 2.23。

a / D. Discussion & Conclusion（讨论与结论）

对公共服务数字化交付而言，最可迁移的结论不是某个模型，而是评估层级的必要性。组件级指标在参考文本上会饱和并误导选型：GPT-5.5 抽取最准却排不进完成率第一梯队；Gemini 3 Flash 抽取只有 95.96% 却因规则层归一化拿到 100% 完成率；GLM-5.1 的 35 个百分点抽取塌陷在端到端被放大为约 41 个百分点的完成率崩跌。原因是错误既传播也抵消，只有端到端测试能暴露净效应。混合架构因此不只是省钱手段：把校验与流程控制写成确定性代码，等于给不可靠的语言模型加了一层可审计的兜底，这在需要留痕与追责的行政场景里尤为关键。

其次是部署约束优先于排行榜。真实项目里延迟与单价直接决定能否上线：按“选最准”的思路会选到每轮 0.0146 美元的回复模型，是所选方案（0.0008 美元）的十八倍；而低资源环境恰恰对成本最敏感。论文用硬约束、帕累托前沿再加加权和的做法，把价值判断（准确率值多少、延迟值多少）显式写进公式，便于不同机构按自己的优先级重算，也便于对上级或资助方解释选型依据。

局限与风险：基准只有五位模拟用户，每种通话只施加一种声学条件，答案是脚本化的完整回答，真实来电者会答错、答一半、自我更正；数据仅印地语，未评估语音合成质量。伦理声明指出，错误采集可能延迟甚至剥夺福利，规模化部署必须有确认与纠错的人工兜底。本文报告的是基准与离线评估结果，尚未给出真实入户场景下的完成率、时间节约或成本节约，因此对其政策效果的推断应保持谨慎。后续工作可扩展到多语言、真实通话录音与多噪声条件叠加。