FormBharo：面向印度农村场景的对话式表单填写语音Agent设计与评估
FormBharo: Designing and Evaluating a Voice Agent for Conversational Form Filling in Rural India

在印度，几乎所有社会福利的申领都始于一张表单，而最需要这些福利的人往往读写能力有限，只能通过电话交谈完成登记。这项工作目前压在一线健康工作者身上，一次只能服务一人，是对紧缺人力资源的低效使用。作者与NGO ARMMAN合作，为大规模母婴移动健康项目中说印地语的低收入孕产妇设计了首个用于登记表单的试点语音agent，直接切入"识字率-福利可及性"这一现实结构性问题。

FormBharo（印地语"填表"之意）在电话通话中于严格的延迟与成本预算下完成结构化表单填写，做法是将LLM与确定性、基于规则的校验和流程控制配对——LLM负责理解自然语言输入，规则层负责兜底纠错和流程推进，而非把整个对话流程完全交给LLM自由发挥。

作者开源了 FormVoiceAgentBench，将人工录制的印地语音频与3,760个多轮对话测试配对，覆盖960通模拟电话，用于评测agent各组件（转录、抽取、回复生成）以及在真实声学变化条件下的端到端表单完成情况，是已知首个针对这一人群、这一任务的语音agent评测基准。

当LLM接收到易出错的真实语音转录文本（而非参考文本）时，表单完成率最多下降约41个百分点，说明语音识别噪声是端到端流程中最大的脆弱环节。规则驱动的兜底控制能挽回许多轮次级别的抽取错误，使更小、更便宜的模型在表单完成率上追平甚至超过前沿模型。

GPT-5.5 在参考转录上的单轮抽取准确率高达99.8%，位居榜首，但在端到端表单完成率上排名却更靠后。由于误差会在流水线中传播、也会相互抵消，最优模型的选择只能通过端到端评测才能确定，单看组件指标会得出误导性结论。最终作者用基于帕累托的加权和标量化方法，在准确率、成本、延迟三者间选出一个可部署的平衡配置，因为没有任何单一模型能同时在三个维度都最优。

这篇论文的价值不在算法新颖性，而在于它是一次扎实的"真实约束下的系统工程"案例，对做duplex/实时交互agent的研究很有参考意义：它直接证明了组件级指标（如单轮抽取准确率）与端到端体验之间可以严重脱节——这和全双工场景下"单看ASR或单看意图识别准确率无法预测真实对话体验"是同一类问题，误差传播和抵消的非线性交互只能通过端到端评测捕捉。另外，"用确定性规则兜底LLM的不确定性输出"这一设计思路，本质上是把duplex agent里"Interaction Layer做快速兜底、Thinking Layer做深度推理"的分层思想应用到了表单填写这个具体任务上，值得作为一个精简版参考架构记录下来。局限也很明显：论文聚焦单一语言（印地语）、单一任务类型（结构化表单），其结论在多语言、开放域对话场景下的可迁移性有待验证。