Sierra 这篇博客的可见日期是 October 21, 2026。判断先写在前面：τ-i18n 把早先的 τ-Voice 扩到五种语言，西班牙语、巴西葡萄牙语、印地语、韩语和普通话。航空、零售和电信的任务、政策、工具和成功标准保持不变，所以语言之间可以比。2700 通主要通话、三个语音代理是页面给出的规模。韩语在任务完成率上比英语平均低 22.6 个百分点，普通话低 9.1。这是任务完成率的差距，不是交互分，也不是生成质量分。
[1]
更近的三种语言差距小一些。西班牙语、印地语和葡萄牙语在任务完成率上分别比英语平均低 2.4、3.8 和 6.4 个百分点。韩语是三个代理全都最弱的语言。页面强调，这些通话跑的是同一批任务。落后因此不能写成「换了一套更难的业务」。它也没有写成某一个模型完全不能使用某种语言。平均差距是三个代理合在一起的说法，不是每一个代理各自的一张表。
[1]任务完成只说明有没有达到来电者的目标。τ-i18n 另外报两项。交互看代理是否在该回应时回应、是否避免打断和长篇独白、能否不理睬附和声和不是对自己说的话，以及工具调用是否用对参数、是否避免自己造成的错误。生成质量看来电者实际听到的话：是否像翻译腔、语法上的性是否用错、语体和敬语是否合适，以及音频有没有把要说的词、名字和数字读准。三项分开报，是因为一个代理可以做完任务，同时在交互或语言上仍然不够。
[1]交互和任务完成不是同一个名次。韩语和普通话通话在每个代理上的工具失败都最多。应答是常见的失败：GPT Live 1 和 Gemini 3.8 Live 在超过 80% 的通话里错过一轮、回得慢，或该停时没有停。Grok Voice Think Fast 2.0 的这项是 16%。选择性也弱：在 26% 到 60% 的通话里，代理对附和、口头习惯或不是对自己说的话回应了三次以上。百分比是页面给出的范围，没有在正文里拆成每个代理一行。
[1]生成质量再把名次拆开。GPT Live 1 同时领先任务完成率 79.9% 和生成质量 63.4%。Grok Voice Think Fast 2.0 的交互分领先，是 52.6%，生成质量只有 17.7%。页面的结论是，反应最快的代理不一定是听起来最自然的那个。79.9、63.4、52.6 和 17.7 都挂在各自的指标上，不能加总成一个总分。
[1]这五种语言被写成起点。页面说代码和背后的 LanguageFactory 已经开源，母语者可以改语言包，用来调整来电者身份、数据库记录、人设、声音、说话习惯和评分规则，底层服务任务仍保持不变。例如韩语和普通话通常先说姓。若把先听到的名字填进名的字段，即使听对了也可能通不过身份核验。那是页面举的失败方式，不是一份已经统计的核验失败率。更多语言仍是邀请，不是已经完成的榜。
[1]