Głos w czasie rzeczywistym: projektowanie rozmowy telefonicznej
Modele czasu rzeczywistego rozwiązały wiele problemów starych voicebotów. Rozmowa telefoniczna nadal ma jednak swoje prawa: klient nie widzi ekranu, liczy się każda sekunda ciszy, a dane trzeba potwierdzać inaczej niż w czacie.
Telefon to najtrudniejszy i zarazem najcenniejszy kanał. Najtrudniejszy, bo nie ma ekranu, przycisków ani możliwości przewinięcia w górę. Najcenniejszy, bo właśnie tam trafiają sprawy pilne i złożone, i tam koszt obsługi jest najwyższy.
Co dał głos w czasie rzeczywistym
W pierwszym wydaniu sporo miejsca poświęciliśmy ograniczeniom rozpoznawania mowy: gubionym krótkim odpowiedziom („tak”, „mhm”), myleniu liczb, „cichym” odpowiedziom, na które system czekał w nieskończoność. Modele speech-to-speech słyszą dźwięk bezpośrednio, więc większość tych problemów wyraźnie zmalała. Nie zniknęły jednak zasady dobrej rozmowy, a część dawnych rad nadal świetnie działa, tylko z innego powodu.
Ustawienia, które decydują o odczuciu rozmowy
| Ustawienie | Co robi | Kiedy zmieniać |
|---|---|---|
| Głos i tempo mówienia | Barwa, charakter (dynamiczny, spokojny, rzeczowy), szybkość | Dopasuj do marki i odbiorców; wolniej dla seniorów |
| Tempo rozmowy | Jak szybko agent odpowiada, gdy klient skończy mówić: szybkie / zrównoważone / cierpliwe | „Cierpliwe” przy dyktowaniu danych i dla starszych osób; „szybkie” przy krótkich, prostych sprawach |
| Przerywanie agenta | Gdy klient zaczyna mówić, agent milknie i słucha | Zostaw włączone: to podstawa naturalności |
| Cisza na linii | Po ilu sekundach agent pyta „Czy jest Pan/Pani na linii?” i po jakim czasie się rozłącza | Dłużej, gdy klient szuka dokumentów |
| Więcej czasu, gdy klient coś robi | Agent poprosił o restart urządzenia czy przepisanie kodu, więc czeka dłużej, zanim dopyta | Helpdesk, instrukcje krok po kroku |
| Słowa, które agent ma dobrze usłyszeć | Nazwy produktów, skróty, nazwy własne | Zawsze, gdy masz nietypowe nazwy; uzupełnij też stt_hints w dokumentach |
Szum w tle: autorski adaptacyjny próg szumu X-TALK
Klienci nie dzwonią ze studia nagrań. Dzwonią z ulicy, z samochodu na zestawie głośnomówiącym, ze sklepu pełnego ludzi, z hali magazynowej albo z kuchni, w której gra radio. Modele głosowe są projektowane tak, żeby reagować na mowę, więc w hałasie zachowują się nieprzewidywalnie: agent urywa zdanie, bo w tle ktoś coś powiedział, odpowiada na rozmowę z telewizora albo milknie i czeka na wypowiedź, której nie było.
Dlatego przed modelem głosowym X-TALK działa nasza własna warstwa ochrony przed szumem: adaptacyjny próg szumu (noise floor). W skrócie:
Uczy się tła każdej rozmowy
W pierwszych chwilach połączenia agent „wsłuchuje się” w otoczenie i ustala, jak głośne jest tło. Potem aktualizuje tę wartość przez całą rozmowę: szybko, gdy robi się ciszej, i ostrożnie, gdy na chwilę robi się głośniej. Każda rozmowa ma własny próg, więc dzwoniący z ulicy i z cichego biura są obsłużeni równie dobrze, bez ręcznego strojenia.
Reaguje tylko na mowę klienta
Za wypowiedź klienta uznawany jest dźwięk, który jednocześnie brzmi jak ludzka mowa i jest wyraźnie głośniejszy od tła. Szum ulicy, klimatyzacja, muzyka czy gwar w tle nie „włączają” agenta.
Ostrożniej z przerywaniem
Przerwanie agenta w pół zdania wymaga mocniejszego sygnału niż zwykła odpowiedź klienta. Dopóki agent mówi, system nie uczy się tła z echa jego własnego głosu z głośnika i przepuszcza tylko potwierdzoną mowę klienta.
Szybki powrót, gdy to był fałszywy alarm
Jeśli agent przerwał, a okazało się, że to był tylko szum, wraca do swojego zdania. Gdy rozmowa „utknie” w ciszy, na przykład po hałasie albo w trakcie sprawdzania czegoś w systemie, agent sam ją podejmuje.
Dodatkowo bramka wejściowa może w ogóle nie przekazywać do modelu ciszy i szumu między wypowiedziami klienta, tylko faktyczną mowę. Efekt odczuwa klient (mniej przypadkowych przerwań i dziwnych pauz) i firma (spokojniejsze, bardziej przewidywalne rozmowy).
Zasady rozmowy głosowej, które wciąż obowiązują
Dialog pełnozdaniowy
Klient mówiący całym zdaniem daje agentowi więcej informacji naraz i daje mniej okazji do nieporozumień. Projektuj pytania tak, żeby prowokowały pełne odpowiedzi.
Liczby, nazwy i dane: potwierdzaj
Numery telefonów, kody, adresy e-mail i nazwiska to w głosie najczęstsze źródło błędów. Dobra praktyka:
- proś o dane w kawałkach („najpierw kod pocztowy”), a potwierdzaj partiami, nie wszystko na końcu,
- przy e-mailach i nazwach własnych proś o przeliterowanie albo zaproponuj wysłanie linku SMS-em,
- gdy klient dzwoni z numeru zapisanego w CRM, rozpoznaj go po numerze i zapytaj tylko o potwierdzenie,
- przy nazwach miejsc doprecyzuj punktem orientacyjnym („chodzi o ulicę przy dworcu?”).
Nie czytaj list
Klient nie zapamięta sześciu opcji przeczytanych pod rząd. Zamiast „mamy narty, snowboard, skitury, biegówki, sanki i łyżwy” zapytaj o cel. Jeśli procedura ma dziesięć kroków, podaj jeden-dwa, poczekaj na „zrobione”, potem kolejne. W aplikacji mobilnej agent może dodatkowo pokazać listę kroków na ekranie.
Krótko, bo to brzmi lepiej i kosztuje mniej
Każde zdanie agenta to czas połączenia. Instrukcja „odpowiadaj krótko: jedno-dwa zdania, jedno pytanie na turę” poprawia jednocześnie UX i rachunek (rozdział 22).
Przedstaw się jako AI
Powitanie ustawia się osobno dla telefonu, np. „Dzień dobry, tu wirtualna asystentka przychodni. W czym mogę pomóc?”. Uczciwość od pierwszego zdania buduje zaufanie, jest wymagana przez AI Act, a w praktyce nie obniża skuteczności. Klienci szybko zauważają, że „wirtualna asystentka” odbiera od razu, rozumie swobodną wypowiedź i naprawdę załatwia sprawę.
Gotowy na następny krok?
Opisz swoją firmę w darmowym Copilocie na x-talk.me. W kilka minut zobaczysz własnego agenta na czacie i przez telefon. Albo porozmawiajmy o tym, jak centrum komunikacji AI może wyglądać u Ciebie.
+48 732 106 896 · x-talk.me