语音 Agent 被拆成五级能力，软件测试不能

设想一个语音客服：你刚改口，它已经按上一句念完退款规则。转写全对，对话却像在用对讲机。

声网赵斌在 iRTE2026 上甩出一套五级框架。语音测试不能只验转写和回答。用户说“等等，我刚才不是这个意思”时，Agent 能不能停、能不能修正理解，才是真正的难点。

这套框架能当题库，但别当成统一分数线。目标等级得看业务风险，而不是模型宣传页。内部报修机器人到 L2 就够用；多人审批助手重点验 L4；陪伴提醒才需要认真测 L5。

每个等级只盯一个核心能力。L1 验听懂答对，L2 验打断后多久停，L3 验多轮任务能不能接住。L4 分得清谁在说话，L5 验长期记忆能不能被纠正或删掉。测试时只留当前等级和下一级压力场景，能省下大量无效用例。

别急着追长期记忆，先守住延迟和打断。前端停止播报不等于后端任务也停了。修改订单这类动作，得验证中止后有没有正确回滚。ASR、VAD 或提示词任意一变，上一轮的通过就可能失效。测试集必须绑定版本快照，不能只留一份会话文本。

语音 Agent 越像人，测试越不能只问“它说了什么”。