Текстовий агент може думати п'ять секунд, і цього ніхто не помітить: у чаті висить «друкує…». Голосовий так не може. Людина в слухавці чує тишу, перепитує «алло?», а якщо агент назвав номер замовлення як «п'ятдесят одна тисяча сто тридцять шість», вона не має що перечитати. Grow2.ai, AI-підрозділ Auspex, будує голосових агентів для дзвінків клієнтів: підтвердження замовлень, оформлення доставки, запис результату в CRM. Нижче — сім відмінностей від текстового агента, і кожна з них спершу з'явилась у нас як дефект на живому дзвінку.
Приклади — з двох клієнтів, яких ми не називаємо за домовленістю: інтернет-магазин одягу (агент підтверджує замовлення) і сервісна компанія, у якої більшість абонентів старшого віку (агент оформлює замовлення з доставкою Новою поштою). Про те, як агент чує, — окрема стаття: де ламається українське розпізнавання. Тут — про те, як він говорить і тримає темп.
1. На відповідь є близько секунди
У чаті відповідь за три секунди — норма. У дзвінку вже дві секунди тиші звучать як «щось зламалось». Після перших тестів клієнт-магазин написав нам: «відчутно, що це ШІ — голос, інтонація, паузи перед відповіддю». Пауза до відповіді на тих записах — 2,0 секунди. У другого клієнта ми міряли 2,6–2,9 секунди.
Із чого складається ця пауза: розпізнавання має зрозуміти, що людина договорила; модель — написати відповідь; синтез — почати звучати. Кожен шматок доводиться різати окремо. Коли ми підлаштували визначення кінця фрази, медіана впала з 0,56 до 0,31 секунди на тих самих записах — без жодного зайвого обриву людини на півслові.
Окрема пастка — перший запит після простою. 6 вересня після «Алло» людини перша відповідь моделі йшла 4,5 секунди, а наступні — 0,7–0,8. Тепер, поки звучить привітання, агент «прогріває» модель одним коротким запитом, і перша репліка не стартує з холоду.
2. Довго думати не можна, і за це платиш якістю
Текстовому агенту можна дати режим роздумів: він спершу міркує, потім відповідає. Голосовому це коштує секунд, яких немає. Ціна видна на прикладі: люди старшого віку часто диктують прізвище іменами — «Марія, Олег, Роман, Оксана, Зоя» означає «Мороз». У швидкому режимі, без часу на роздуми, модель не розпізнала таку диктовку жодного разу з п'яти. Тому складні речі ми прописуємо правилами в сценарії або переносимо в код — як у наступних пунктах.
3. Привітання і цифри — готовим текстом
Поки модель складала привітання вхідного дзвінка, минало 1,4–2 секунди до першого звуку. Раннє «алло» людини встигало це привітання скасувати, і аудит 14 вересня знайшов дзвінки з тишею на лінії до 59 секунд. Схожа історія з вихідними: 30 жовтня у трьох дзвінках агент так і не представився. Тепер привітання — готовий текст, який іде одразу в синтез, без моделі.
Те саме з цифрами в сценарії. Тарифи, ціни й коди набору виписані дослівно з документів клієнта. Код *141#, який одного разу став *140#, чути тільки в записі розмови: у CRM цього не видно, і місяць ніхто не помітить.
4. Числа агент не переказує — він їх отримує розкладеними
Текстовий агент пише «51136», і людина бачить ці цифри. Голосовий мусить їх вимовити, і модель вирішує як. На перевірочних дзвінках 19 вересня вона прочитала номер замовлення 51136 як кількість — «п'ятдесят одна тисяча…», а в наступному дзвінку помилилась у цифрі. Правило «диктуй групами» в промпті при цьому стояло.
Висновок простий: код, який людина звіряє зі своїм замовленням, модель переказувати не повинна. Тепер номер готує програма: групи по три цифри справа, кожна — окремим числом, нулі звучать. «51036» агент вимовляє як «п'ятдесят один, нуль тридцять шість». Так само з номером відділення: «№18» модель прочитала як «вісім», тож номер приходить в агента вже словами.
Суми — навпаки, звичайним числом, але як говорить людина: «тисяча чотириста дев'яносто дев'ять гривень», без «одна тисяча».
5. Латиниця, розміри й абревіатури — словами
На екрані «XL» читається миттєво. У дзвінку модель казала «ларж», «л-ікс-ель», а латиницю на кшталт «XXS-XS» віддавала синтезу як є. Тепер розмір приходить готовими словами («ель — ікс-ель»), і агенту заборонено казати його латиницею. Ті самі слова лежать у словнику розпізнавання, щоб агент і чув саме «ікс-ес».
І ще одна дрібниця: замовлений розмір агент називає повністю один раз, далі — «ваш розмір». Інакше «ікс-ікс-ес — ікс-ес» звучить у розмові тричі, і це втомлює більше, ніж здається на папері.
6. Розмова будується інакше: коротше і по черзі
У тексті людина бачить усе замовлення одразу. На слух три позиції з кольорами й розмірами в одній репліці вже важко втримати. У нашому кейсі магазину на перших дзвінках агент говорив 59–66 % часу розмови: кожна репліка — «Дякую», блок інформації і «Все вірно?», два питання-меню підряд. Тепер позиції — по дві-три за раз з коротким «все так?» після кожної групи, одне питання замість двох, без канцеляриту.
Диктовка — окремий жанр, якого в чаті немає взагалі. Поки людина диктує прізвище по одній-три букви, агент відповідає одним словом — «Так.», як оператор, що записує. Номер відділення з адресою («12-те, Шевченка, 5») агент не перечитує вулицею: для відправки досить міста й номера.
І навпаки, коротка відповідь людини теж має бути почута як завершена. «Так, одна.» агент спершу вважав недоговореною фразою і чекав продовження — 4 секунди тиші. Тепер він калібрує короткі відповіді під аудиторію.
7. Що не можна вимовити, не має потрапити в синтез
Текстовий агент може вставити емодзі, і це нормально. Голосовий віддає в синтез усе, що написала модель. З 13 по 19 жовтня в лінію пішла репліка «Яка різниця? ☎️», а одна відповідь складалася з одного ☎️. Тепер піктограми зрізаються до синтезу, а «№» і «°» лишаються — синтез читає їх словами.
Службові теги так само. Темп мовлення ми задаємо тегом для синтезу, і за 4 вересня 242 слова цього тегу протекли в стенограму й у контекст моделі — вона почала повторювати «[speaking very quickly]» сама. А на одному дзвінку темп змінювався від фрази до фрази, бо різні частини відповіді отримували різні теги. Тепер темп один на весь дзвінок.
Як перевіряти голосового агента: слухом, а не текстом
Більшість дефектів вище в стенограмі виглядали б нормально. «51136» у тексті правильне, *140# — правдоподібне, пауза в 2 секунди в логах — просто число. Тому голосового агента ми приймаємо на слух: за записами живих дзвінків і перевірочними дзвінками на кожній новій версії сценарію. План такої перевірки до запуску — у чеклісті першого двотижневого пілоту, а про те, що робити з помилками розпізнавання, — у статті про виправлення транскрипту.
Якщо ви вибираєте голосового агента для своїх дзвінків і хочете зрозуміти, де він спіткнеться саме на ваших даних, — почніть з AI-аудиту Grow2.ai.
Автор — Андрій Мар'ясов, засновник Auspex і Grow2.ai, AI-підрозділу Auspex.