Jak brzmi dobry agent głosowy po polsku? Siedem rzeczy, które decydują

Kiedy ktoś słyszy nagranie rozmowy z agentem głosowym, zwykle komentuje głos: że ładny, że naturalny, że mało robotyczny. Tymczasem barwa głosu jest dziś najłatwiejszą częścią całego problemu i praktycznie każdy dostawca ma ją na przyzwoitym poziomie.

O tym, czy rozmowa się uda, decyduje siedem innych rzeczy. Poniżej każda z nich razem ze sposobem sprawdzenia jej w praktyce.

1. Opóźnienie, czyli najważniejsza liczba w rozmowie

W rozmowie telefonicznej ludzie odpowiadają sobie niemal natychmiast. Ta cisza między końcem Twojego zdania a początkiem odpowiedzi jest krótka i mózg rozmówcy bardzo szybko wychwytuje, gdy się wydłuża.

Agent głosowy musi w tym czasie wykonać kilka kroków: rozpoznać mowę, ustalić intencję, sięgnąć do systemu po dane, wygenerować odpowiedź i zamienić ją na dźwięk. Każdy z tych kroków dokłada ułamki sekundy.

Gdy suma przekroczy mniej więcej sekundę, dzieje się rzecz przewidywalna: rozmówca uznaje, że połączenie zamarło, i zaczyna mówić od nowa. Wtedy agent dostaje dwie nakładające się wypowiedzi i cała wymiana się sypie.

Jak sprawdzić: zadzwoń i zadaj proste pytanie. Policz w myślach, ile trwa cisza. Jeśli zdążysz pomyśleć „halo“, jest za wolno.

Skąd biorą się opóźnienia

Warto wiedzieć, gdzie ten czas znika, bo to podpowiada, o co pytać dostawcę.

Najczęstszym winowajcą nie jest sam model językowy, tylko dwa skrajne etapy: zbyt zachowawcze wykrywanie końca wypowiedzi i wolno odpowiadający system klienta. Pierwsze jest kwestią strojenia, drugie kwestią integracji. Oba da się poprawić, ale trzeba wiedzieć, którego dotyczy problem.

Jest też technika, która ratuje sytuację, gdy opóźnienia usunąć się nie da: agent może powiedzieć „już sprawdzam“ i dopiero potem podać odpowiedź. Człowiek robi dokładnie to samo, więc brzmi to naturalnie, a cisza przestaje być niepokojąca.

2. Reakcja na przerwanie

Ludzie przerywają sobie w rozmowie i jest to normalne, zwłaszcza gdy agent zaczyna recytować coś, co rozmówca już wie.

Dobry agent przestaje mówić w momencie, w którym usłyszy Twój głos, i zaczyna słuchać. Słaby agent kończy całą kwestię do końca, ignorując Cię, albo, co gorsza, reaguje na własne echo i przerywa sam sobie.

Jak sprawdzić: przerwij agentowi w połowie zdania. Powinien zamilknąć niemal natychmiast i zareagować na to, co powiedziałeś, a nie kontynuować poprzednią myśl.

3. Odmiana przez przypadki i polskie imiona

Tutaj wiele rozwiązań tłumaczonych z angielskiego przegrywa, bo w języku angielskim problem po prostu nie istnieje.

Agent musi powiedzieć „dziękuję, Anno“, a nie „dziękuję, Anna“. Musi poprawnie odmienić nazwę ulicy, nazwisko i nazwę usługi. Musi też poradzić sobie z tym, że polskie imiona bywają zapisywane różnie i że rozmówca podaje je szybko oraz niewyraźnie.

Osobna pułapka to zdrobnienia i formy potoczne. Ktoś, kto mówi „tu Kasia Nowak“, oczekuje, że agent zapisze sensowną formę, a nie potraktuje zdrobnienia jako pełnego imienia w dokumentacji.

Jak sprawdzić: przedstaw się imieniem w mianowniku i sprawdź, czy agent użyje wołacza. To najprostszy test, jaki istnieje, i wiele systemów go nie przechodzi.

4. Liczby, daty i godziny

„Wtorek dwudziestego trzeciego o czternastej trzydzieści“ i „we wtorek o wpół do trzeciej po południu“ to ta sama informacja. Agent musi rozumieć obie formy i wypowiadać je w sposób naturalny.

Osobnym problemem jest wypowiadanie numerów telefonu. Ciąg cyfr przeczytany jednym tchem jest nie do zapisania. Ludzie dyktują numery grupami i agent powinien robić to samo, z krótkimi pauzami.

Do tego dochodzą wyrażenia względne: „jutro“, „w przyszły poniedziałek“, „za dwa tygodnie“. Agent musi je poprawnie przeliczyć na konkretną datę i, co ważniejsze, potwierdzić ją rozmówcy pełnym brzmieniem, żeby wychwycić nieporozumienie zanim wizyta trafi do kalendarza.

5. Co robi, gdy nie rozumie

To jest moment, który dzieli dobre wdrożenia od złych. Nieporozumienie zdarzy się zawsze: zły zasięg, hałas w tle, ktoś mówi przez pół zdania do osoby obok.

Zła reakcja polega na powtarzaniu tego samego pytania w kółko. Rozmówca powtarza to samo, agent znów nie rozumie i pętla trwa, aż jedna ze stron się rozłączy.

Dobra reakcja ma trzy poziomy: przy pierwszej nieudanej próbie agent przeformułowuje pytanie i pyta inaczej, a nie głośniej. Przy drugiej proponuje prostszą drogę, na przykład pytanie zamknięte zamiast otwartego. Przy trzeciej przekazuje rozmowę człowiekowi i nie próbuje dalej.

Jak sprawdzić: powiedz coś zupełnie niezwiązanego ze sprawą albo wymamrocz niewyraźne zdanie. Zobacz, czy agent brnie w pętlę, czy szuka wyjścia.

6. Przekazanie do człowieka

Przekazanie rozmowy jest funkcją, którą ocenia się nie po tym, czy istnieje, tylko po tym, jak wygląda.

Trzy rzeczy, które muszą działać:

• Prośba o człowieka działa natychmiast. W dowolnym momencie rozmowy, bez konieczności wysłuchania czegokolwiek do końca.
• Kontekst idzie razem z rozmową. Osoba, która odbiera, powinna wiedzieć, z kim rozmawia i o co chodzi. Proszenie klienta, żeby powtórzył wszystko od początku, kasuje całą wartość automatyzacji.
• Jest plan na sytuację, gdy nikogo nie ma. Poza godzinami pracy agent powinien zebrać kontakt i zapowiedzieć oddzwonienie, a nie przekazywać rozmowę w pustkę.

7. Deterministyczne dane zamiast zgadywania

Ostatni punkt jest najważniejszy, choć najmniej słyszalny.

Model językowy generuje tekst na podstawie prawdopodobieństwa. To świetne narzędzie do prowadzenia naturalnej rozmowy i fatalne do podawania ceny albo wolnego terminu. Agent, który sam wymyśla, że „mamy wolne w czwartek o dziesiątej“, wcześniej czy później umówi wizytę w zajętym slocie.

Właściwa architektura rozdziela te dwie role. Model odpowiada wyłącznie za język. Konkretne dane, czyli wolne terminy, ceny, statusy zleceń i potwierdzenia, pochodzą bezpośrednio z Twojego systemu i są liczone deterministycznie. Jeśli system nie odpowie, agent mówi, że sprawdzi i odezwie się ponownie, zamiast zgadywać.

Jak sprawdzić: poproś o termin, którego na pewno nie ma, albo o cenę usługi spoza oferty. Agent powinien powiedzieć, że nie ma takiej możliwości, a nie wymyślić odpowiedź, która brzmi wiarygodnie.

Jak dobrać głos i ton do branży

Skoro barwa jest łatwa technicznie, warto poświęcić chwilę na to, żeby wybrać ją świadomie. To decyzja marketingowa, nie inżynierska, i ma wpływ na to, jak firma jest odbierana.

Trzy wymiary, które warto ustawić osobno:

Tempo. W placówce medycznej i wszędzie tam, gdzie dzwonią osoby starsze, wolniejsze tempo i wyraźniejsza artykulacja robią więcej dobrego niż naturalność. W obsłudze zamówień czy statusów zleceń tempo może być szybsze, bo rozmówcy zależy na czasie.

Poziom formalności. Kancelaria i warsztat samochodowy nie brzmią tak samo. Ustal, czy agent mówi „dzień dobry, w czym mogę pomóc“, czy „cześć, co się dzieje z autem“. Ważniejsze od samego wyboru jest to, żeby ton pasował do reszty komunikacji firmy.

Długość wypowiedzi. Ten parametr ma największy wpływ na odbiór, a najmniej się o nim mówi. Agent, który odpowiada jednym zdaniem, brzmi kompetentnie. Agent, który odpowiada akapitem, brzmi jak nagranie reklamowe.

Praktyczna wskazówka na wybór głosu: nie oceniaj go na czytaniu przygotowanego tekstu. Poproś o nagranie tej samej rozmowy, którą naprawdę prowadzą Twoi klienci, z przerwaniem w środku i z pytaniem, na które agent nie zna odpowiedzi. Głos, który dobrze brzmi w gładkim demo, potrafi się rozsypać w realnej wymianie.

Jedna rzecz jest natomiast niezależna od branży: agent powinien powiedzieć, że jest asystentem. Nie tylko dlatego, że wymagają tego przepisy o sztucznej inteligencji, opisane w tekście o RODO, ale też dlatego, że rozmówca uprzedzony na wstępie jest wyraźnie bardziej wyrozumiały wobec potknięć.

Czego nie naprawi lepszy głos

Na koniec rzecz, która bywa źródłem nieporozumień przy wyborze dostawcy. Barwa głosu jest najbardziej widoczną cechą i dlatego przyciąga uwagę na prezentacjach. Tymczasem żadna synteza mowy nie naprawi czterech poniższych problemów.

Źle zaprojektowanego scenariusza. Agent, który zadaje siedem pytań, żeby umówić wizytę, będzie męczący niezależnie od tego, jak pięknie brzmi. Liczba pytań jest decyzją projektową, nie techniczną.

Braku dostępu do danych. Jeśli agent nie widzi terminarza, nie umówi wizyty. Będzie tylko bardzo ładnie brzmiącą pocztą głosową.

Nieprzemyślanej ścieżki do człowieka. Klient, który nie może przejść dalej, zapamięta bezradność, a nie głos.

Nadmiernego gadulstwa. Najczęstszy grzech wdrożeń. Agent recytuje trzy zdania tam, gdzie wystarczy pół, bo ktoś napisał scenariusz jak tekst reklamowy. W rozmowie telefonicznej krótko znaczy uprzejmie.

Dobra wiadomość jest taka, że wszystkie cztery zależą od decyzji podejmowanych przy wdrożeniu, a nie od budżetu na technologię. Zła jest taka, że nie zobaczysz ich na demonstracji, tylko dopiero we własnych nagraniach po pierwszym tygodniu.

Test w dziesięć minut

Jeśli oceniasz konkretne rozwiązanie, wystarczy jedna rozmowa i te siedem prób:

1. Zadaj proste pytanie i policz ciszę przed odpowiedzią.
2. Przerwij agentowi w połowie zdania.
3. Przedstaw się imieniem i sprawdź, czy użyje wołacza.
4. Podaj termin potocznie, na przykład „w przyszły wtorek po południu“.
5. Powiedz coś niezrozumiałego i zobacz, czy wychodzi z pętli.
6. Poproś o człowieka i sprawdź, czy dzieje się to od razu.
7. Zapytaj o termin, którego nie ma, i sprawdź, czy nie zmyśla.

Rozwiązanie, które przechodzi te siedem punktów, będzie brzmiało dobrze niezależnie od tego, jaki głos wybierzesz. Rozwiązanie, które ich nie przechodzi, nie uratuje żadna barwa.

Podsumowanie

Naturalność rozmowy z AI to nie efekt jednego parametru, tylko suma decyzji technicznych, z których większości nie słychać wprost. Rytm, odmiana, obsługa błędu i źródło danych robią tu więcej niż sama synteza mowy.

Jeśli zastanawiasz się, czym takie podejście różni się od klasycznego menu tonowego, porównaliśmy oba w tekście IVR czy asystent głosowy AI. A jeśli chcesz po prostu usłyszeć przykłady, nagrania rozmów w scenariuszach branżowych znajdziesz na stronie głównej i w sekcji branże.