Jak funguje AI voicebot: od rozpoznání řeči po předání hovoru

Jak funguje AI voicebot, když zvedne telefon a začne s volajícím mluvit jako člověk? Za zdánlivě jednoduchým rozhovorem stojí několik technologií, které spolupracují ve zlomcích sekundy: rozpoznání řeči převede hlas na text, jazykový model pochopí požadavek a připraví odpověď, syntéza řeči ji promění zpět v hlas a celý systém je napojený na telefonní linku a firemní aplikace. V tomto článku projdeme jednotlivé části krok za krokem, vysvětlíme, kde vznikají potíže, a ukážeme, proč je důležité umět hovor včas předat člověku.

Jak funguje AI voicebot v kostce

Hlasový agent je program, který vede telefonní rozhovor v přirozeném jazyce. Na rozdíl od klasického hlasového menu („pro objednávky stiskněte jedničku“) nečeká na tlačítka, ale poslouchá, co volající říká vlastními slovy. Celý rozhovor lze rozdělit do opakujícího se cyklu:

1. Poslech – systém přijímá zvuk z telefonní linky a sleduje, kdy volající domluvil.
2. Rozpoznání řeči – zvuk se převádí na text.
3. Porozumění a rozhodnutí – jazykový model text vyhodnotí, případně se dotáže jiného systému, a připraví odpověď.
4. Syntéza řeči – odpověď se převede na mluvené slovo a přehraje volajícímu.
5. Akce – voicebot může během hovoru nebo po něm něco provést: zapsat požadavek, vytvořit termín, poslat SMS nebo hovor přepojit.

Tento cyklus se opakuje, dokud rozhovor neskončí. Aby působil přirozeně, musí celý proběhnout velmi rychle. Pauza delší než chvilka zní v telefonu nepříjemně.

Rozpoznání řeči: z hlasu na text

První část, rozpoznání řeči (anglicky speech-to-text), je pro kvalitu voicebota zásadní. Pokud systém volajícího špatně uslyší, ani nejlepší jazykový model neodpoví správně. Telefonní hovor přitom není ideální zvukový záznam: má nižší kvalitu než nahrávka ze studia, volající může být v autě, na ulici nebo mluvit rychle a skákat si do řeči.

Moderní modely pro rozpoznání řeči jsou trénované na velkém množství nahrávek a češtinu zvládají dobře. Voicebot česky ale naráží na specifické výzvy:

• Skloňování a slovosled – čeština má bohatou gramatiku, takže stejný požadavek lze vyslovit mnoha způsoby.
• Vlastní jména a čísla – názvy ulic, příjmení, rodná čísla nebo kódy produktů se rozpoznávají hůř než běžná slova. Pomáhá, když voicebot důležité údaje zopakuje a nechá si je potvrdit.
• Detekce konce věty – systém musí poznat, kdy volající skončil, a kdy jen přemýšlí. Příliš rychlá reakce volajícího přeruší, příliš pomalá působí těžkopádně.
• Skákání do řeči – kvalitní systém umí přestat mluvit, když ho volající přeruší, a reagovat na nový podnět.

Jazykový model: mozek konverzační hlasové AI

Když je řeč převedena na text, nastupuje jazykový model. Právě on dělá z konverzační hlasové AI něco víc než hlasové menu. Model pochopí záměr („chci přeobjednat termín na příští týden“), vytáhne z věty důležité údaje (datum, jméno, služba) a rozhodne, jaký krok udělat dál.

Model se řídí instrukcemi, které pro něj připraví firma. Obsahují například:

• roli a tón komunikace (zdvořile, stručně, vykat),
• informace o firmě, otevírací době, službách a postupech,
• pravidla, co voicebot smí a nesmí slíbit,
• seznam situací, kdy má hovor předat člověku.

Důležitou schopností je volání nástrojů. Model se během hovoru může dotázat kalendáře na volné termíny, ověřit stav objednávky v systému nebo založit záznam v CRM. Díky tomu nepoužívá jen obecné znalosti, ale pracuje s aktuálními daty firmy. Zároveň je třeba hlídat, aby si nevymýšlel: pokud informaci nemá, má to říct a nabídnout jiné řešení.

Princip, jak propojit jazykový model s nástroji a firemními systémy, je stejný jako u textových AI agentů. Prakticky ho vysvětlujeme v kurzu AI agentů a automatizace.

Syntéza řeči: z textu zpět na hlas

Poslední část řetězce, syntéza řeči (text-to-speech), převádí připravenou odpověď na mluvené slovo. Dnešní syntetické hlasy znějí přirozeně, mají správnou intonaci, umí udělat pauzu a vyslovit české názvy. Firma si obvykle může vybrat hlas, který odpovídá její značce, například klidný a profesionální pro advokátní kancelář nebo vstřícný a energický pro restauraci.

Pro plynulost hovoru se odpověď často negeneruje celá najednou. Systém začne mluvit, jakmile má připravenou první větu, a zbytek dopočítává během řeči. Tím se zkracuje doba, po kterou volající čeká v tichu.

U AI telefonních hovorů je vhodné dbát i na formulace. Text, který se dobře čte, nemusí dobře znít. Odpovědi proto mají být krátké, bez dlouhých výčtů a s jasnou otázkou na konci, aby volající věděl, co má říct dál.

Předání hovoru člověku

Žádný voicebot nezvládne všechno a nemá to ani zkoušet. Kvalitní řešení má jasně nastavená pravidla pro předání hovoru:

• volající výslovně chce mluvit s člověkem,
• jde o stížnost, citlivé téma nebo naléhavou situaci,
• voicebot opakovaně nerozumí nebo si není jistý,
• požadavek přesahuje to, k čemu byl voicebot nastaven.

Předání může mít dvě podoby. Buď voicebot hovor rovnou přepojí na volného kolegu, nebo požadavek zapíše a domluví zpětné zavolání. V obou případech by měl předat shrnutí: kdo volal, co chtěl a co už bylo vyřešeno. Volající pak nemusí vše opakovat, což výrazně zlepšuje dojem z hovoru.

Po skončení hovoru obvykle vzniká přepis a strukturovaný záznam, který lze uložit do firemního systému. Díky tomu má firma přehled o tom, s čím lidé nejčastěji volají, a může voicebota průběžně zlepšovat.

Jak se kvalita voicebota testuje a zlepšuje

Voicebot není hotový v den spuštění. Před nasazením je dobré ho vyzkoušet s kolegy, kteří budou mluvit rychle, nejasně, s přízvukem nebo z hlučného prostředí. Po spuštění pak pomáhá pravidelně procházet přepisy hovorů a sledovat několik ukazatelů: kolik hovorů voicebot vyřeší sám, kolik předá člověku, kde volající zavěšují a které dotazy se opakují bez uspokojivé odpovědi. Na základě toho se upravují instrukce, doplňují podklady a ladí pravidla pro předání.

Na co myslet z pohledu dat a bezpečnosti

Telefonní hovor obsahuje osobní údaje a často i citlivé informace. Při nasazení je proto potřeba vyjasnit, kde se zvuk a přepisy zpracovávají, jak dlouho se uchovávají a kdo k nim má přístup. Volající by měl vědět, že mluví s virtuálním asistentem a zda se hovor nahrává. U zdravotnictví, financí nebo práva je vhodné nastavení konzultovat s odborníkem na ochranu osobních údajů.

Závěr

AI voicebot spojuje rozpoznání řeči, jazykový model, syntézu hlasu a napojení na firemní systémy do jednoho plynulého rozhovoru. Kvalitu určuje nejslabší článek řetězce, proto je důležité testování na skutečných hovorech a jasná pravidla pro předání člověku. Jak může voicebot zastoupit recepci, popisujeme v článku AI recepční. Pokud chcete principy AI agentů pochopit do hloubky, přihlaste se do kurzu AI agentů a automatizace. Pokud zvažujete nasazení ve firmě, podívejte se na službu AI hlasový asistent.