Голосовое сообщение — это аудиофайл, а не текст. Чтобы агент вообще понял вопрос, сначала нужна отдельная транскрипция речи в текст (Speech-to-Text) — а это отдельный технический шаг, отдельная модель и отдельная точка, где что-то может пойти не так: акцент, шум, невнятная речь.
Что реально работает сегодня
Хорошая транскрипция для чистой, разборчивой речи на распространённых языках работает достаточно надёжно. Дальше это просто текстовый вопрос, и агент отвечает так же, как на печатное сообщение — обычно текстом, что для голосового собеседника может ощущаться немного странно.
Где границы
Сильный акцент, фоновый шум (звонок из машины, с улицы), смешение языков в одном сообщении — всё это заметно снижает качество транскрипции, а значит и качество ответа. Спрашивать у любого поставщика стоит не «поддерживаете ли голос», а «что происходит, когда транскрипция ошиблась».