Текстовый агент может думать пять секунд, и этого никто не заметит: в чате висит «печатает…». Голосовой так не может. Человек в трубке слышит тишину, переспрашивает «алло?», а если агент назвал номер заказа как «пятьдесят одна тысяча сто тридцать шесть», ему нечего перечитать. Grow2.ai, AI-подразделение Auspex, строит голосовых агентов для звонков клиентов: подтверждение заказов, оформление доставки, запись результата в CRM. Ниже — семь отличий от текстового агента, и каждое из них сначала появилось у нас как дефект на живом звонке.
Примеры взяты у двух клиентов, которых мы по договорённости не называем: интернет-магазин одежды (агент подтверждает заказы) и сервисная компания, у которой большинство абонентов старшего возраста (агент оформляет заказы с доставкой «Новой почтой»). Реплики звонков ниже — в переводе с украинского. О том, как агент слышит, — отдельная статья: где ломается украинское распознавание. Здесь — о том, как он говорит и держит темп.
1. На ответ есть около секунды
В чате ответ за три секунды — норма. В звонке уже две секунды тишины звучат как «что-то сломалось». После первых тестов клиент-магазин написал нам: «чувствуется, что это ИИ — голос, интонация, паузы перед ответом». Пауза до ответа на тех записях — 2,0 секунды. У второго клиента мы намеряли 2,6–2,9 секунды.
Из чего складывается эта пауза: распознавание должно понять, что человек договорил; модель — написать ответ; синтез — начать звучать. Каждый кусок приходится резать отдельно. Когда мы подстроили определение конца фразы, медиана упала с 0,56 до 0,31 секунды на тех же записях — без единого лишнего обрыва человека на полуслове.
Отдельная ловушка — первый запрос после простоя. 6 сентября после «Алло» человека первый ответ модели шёл 4,5 секунды, а следующие — 0,7–0,8. Теперь, пока звучит приветствие, агент «прогревает» модель одним коротким запросом, и первая реплика не начинается с холодного старта.
2. Долго думать нельзя, и за это платишь качеством
Текстовому агенту можно включить режим рассуждений: он сначала думает, потом отвечает. Голосовому это стоит секунд, которых нет. Цена видна на примере: люди старшего возраста часто диктуют фамилию именами — «Мария, Олег, Роман, Оксана, Зоя» означает «Мороз». В быстром режиме, без времени на рассуждения, модель не распознала такую диктовку ни разу из пяти. Поэтому сложные вещи мы прописываем правилами в сценарии или переносим в код — как в следующих пунктах.
3. Приветствие и цифры — готовым текстом
Пока модель сочиняла приветствие входящего звонка, до первого звука проходило 1,4–2 секунды. Раннее «алло» человека успевало это приветствие отменить, и аудит 14 сентября нашёл звонки с тишиной на линии до 59 секунд. Похожая история с исходящими: 30 октября в трёх звонках агент так и не представился. Теперь приветствие — готовый текст, который сразу уходит в синтез, без модели.
То же с цифрами в сценарии. Тарифы, цены и коды набора выписаны дословно из документов клиента. Код *141#, который однажды стал *140#, слышно только в записи разговора: в CRM этого не видно, и месяц никто не заметит.
4. Числа агент не пересказывает — он получает их разложенными
Текстовый агент пишет «51136», и человек видит эти цифры. Голосовой должен их произнести, и модель решает как. На проверочных звонках 19 сентября она прочитала номер заказа 51136 как количество — «пятьдесят одна тысяча…», а в следующем звонке ошиблась в цифре. Правило «диктуй группами» в промпте при этом стояло.
Вывод простой: код, который человек сверяет со своим заказом, модель пересказывать не должна. Теперь номер готовит программа: группы по три цифры справа, каждая — отдельным числом, нули звучат. «51036» агент произносит как «пятьдесят один, ноль тридцать шесть». Так же с номером отделения: «№18» модель прочитала как «восемь», поэтому номер приходит агенту уже словами.
Суммы — наоборот, обычным числом, но так, как говорит человек: «тысяча четыреста девяносто девять гривен», без «одна тысяча».
5. Латиница, размеры и аббревиатуры — словами
На экране «XL» читается мгновенно. В звонке модель говорила «ларж», «л-икс-эль», а латиницу вроде «XXS-XS» отдавала синтезу как есть. Теперь размер приходит готовыми словами («эль — икс-эль»), и агенту запрещено называть размер латинскими буквами. Те же слова лежат в словаре распознавания, чтобы агент и слышал именно «икс-эс».
И ещё мелочь: заказанный размер агент называет полностью один раз, дальше — «ваш размер». Иначе «икс-икс-эс — икс-эс» звучит в разговоре трижды, и это утомляет сильнее, чем кажется на бумаге.
6. Разговор строится иначе: короче и по очереди
В тексте человек видит весь заказ сразу. На слух три позиции с цветами и размерами в одной реплике уже трудно удержать. В нашем кейсе магазина на первых звонках агент говорил 59–66 % времени разговора: каждая реплика — «Спасибо», блок информации и «Всё верно?», два вопроса-меню подряд. Теперь позиции — по две-три за раз с коротким «всё так?» после каждой группы, один вопрос вместо двух, без канцелярита.
Диктовка — отдельный жанр, которого в чате нет вообще. Пока человек диктует фамилию по одной-три буквы, агент отвечает одним словом — «Да.», как оператор, который записывает. Номер отделения с адресом («12-е, Шевченко, 5») агент не зачитывает его вместе с улицей: для отправки хватает города и номера.
И наоборот, короткий ответ человека тоже должен быть услышан как законченный. «Да, одна.» агент сначала считал недоговорённой фразой и ждал продолжения — 4 секунды тишины. Теперь он калибрует короткие ответы под аудиторию.
7. Что нельзя произнести, не должно попасть в синтез
Текстовый агент может вставить эмодзи, и это нормально. Голосовой отдаёт в синтез всё, что написала модель. С 13 по 19 октября в линию ушла реплика «Какая разница? ☎️», а один ответ состоял из одного ☎️. Теперь пиктограммы срезаются до синтеза, а «№» и «°» остаются — синтез читает их словами.
Так же и со служебными тегами. Темп речи мы задаём тегом для синтеза, и за 4 сентября 242 слова этого тега протекли в стенограмму и в контекст модели — она начала повторять «[speaking very quickly]» сама. А на одном звонке темп менялся от фразы к фразе, потому что разные части ответа получали разные теги. Теперь темп один на весь звонок.
Как проверять голосового агента: слухом, а не текстом
Большинство дефектов выше в стенограмме выглядели бы нормально. «51136» в тексте правильное, *140# — правдоподобное, пауза в 2 секунды в логах — просто число. Поэтому голосового агента мы принимаем на слух: по записям живых звонков и проверочным звонкам на каждой новой версии сценария. План такой проверки до запуска — в чек-листе первого двухнедельного пилота, а о том, что делать с ошибками распознавания, — в статье об исправлении транскрипта.
Если вы выбираете голосового агента для своих звонков и хотите понять, где он споткнётся именно на ваших данных, — начните с AI-аудита Grow2.ai.
Автор — Андрей Марьясов, основатель Auspex и Grow2.ai, AI-подразделения Auspex.