Większość decyzji o wyborze voicebota zaczyna się tak samo: wchodzimy na strony kilku dostawców, klikamy „Odtwórz demo” i słuchamy głosu, który brzmi jak żywy lektor. Płynna intonacja, odpowiednie tempo, ciepła barwa. W głowie pojawia się natychmiastowa myśl: świetnie, nasi klienci na infolinii będą zachwyceni.
Później przychodzi wdrożenie i nagle okazuje się, że ten sam bot w słuchawce telefonu nie przypomina tego z demo. Brzmi płasko, milczy za długo, czasem wchodzi w słowo. Demo na stronie i prawdziwe połączenie telefoniczne to dwa różne światy. Między generatorem głosu a uchem klienta stoi coś, na co żaden model syntezy mowy nie ma wpływu: infrastruktura sieci telefonicznej i reguły transmisji głosu w czasie rzeczywistym.
Co się dzieje z głosem, zanim dotrze do słuchawki
Głos generowany na stronie internetowej ma jakość studyjną. Przenosi pełne spektrum dźwięku, od głębokich tonów po najdrobniejsze detale, a słuchamy go na laptopie lub w słuchawkach, gdzie dane płyną szerokim pasmem internetowym. Sieć telefoniczna, nawet ta dzisiejsza, działa według zasad ustalonych na długo przed erą AI.
Żeby połączyć miliony rozmówców jednocześnie, infrastruktura telekomunikacyjna drastycznie przycina pasmo dźwięku i kompresuje sygnał. Standardowy kodek telefoniczny G.711, wciąż podstawa większości połączeń głosowych, przenosi pasmo w okolicach 300–3400 Hz. Nowsze standardy (HD Voice, a w sieciach LTE i 5G kodek EVS) rozszerzają to pasmo, ale rzadko obejmują całą trasę połączenia od początku do końca: po drodze są przekierowania, transkodowanie między operatorami i starsze urządzenia po drugiej stronie linii.
To trochę jak odtwarzanie filmu w 4K na starym kineskopowym telewizorze. Niezależnie od tego, jak dobry silnik głosu (ElevenLabs, Azure czy jakikolwiek inny) podłączymy pod centralę telefoniczną, w słuchawce usłyszymy tyle, na ile pozwoli tor telekomunikacyjny.
Wniosek dla biznesu: ocenianie voicebota wyłącznie po próbkach audio na stronie internetowej przypomina kupowanie samochodu po obejrzeniu go w oświetlonym salonie, bez jazdy próbnej. Dotyczy to zresztą także wskaźnika MOS, którym dostawcy lubią opisywać jakość kodeków: to ocena czystego sygnału w laboratorium, nie realnej rozmowy z hałasem, utratą pakietów i słabym mikrofonem w telefonie rozmówcy.
To nie wina jednego dostawcy głosu
Trzeba to jasno powiedzieć: to nie jest słabość konkretnej platformy do syntezy mowy. ElevenLabs i podobne narzędzia mają dziś nawet gotowe integracje telefoniczne. Problem leży gdzie indziej: każdy głos, niezależnie od źródła, przechodzi przez ten sam, ograniczony tor transmisji telefonicznej.
Wniosek dla biznesu: pytanie „czy ten głos brzmi realistycznie w demo” jest łatwe do zweryfikowania, dlatego dominuje w rozmowach o wyborze dostawcy. To, co faktycznie decyduje o jakości rozmowy telefonicznej, dzieje się gdzie indziej: w architekturze całego systemu.
Co faktycznie decyduje o jakości rozmowy z voicebotem
Głos to tylko jeden z elementów układanki. Poniżej te, które w praktyce ważą więcej.
Czas reakcji. Rozmówca nie analizuje jakości modelu głosowego, zauważa, jak długo czeka na odpowiedź. W wielu wdrożeniach czas odpowiedzi bota sięga sekundy lub więcej, podczas gdy w naturalnej rozmowie oczekujemy reakcji niemal natychmiast. Powyżej mniej więcej sekundy, półtorej, rozmówca zaczyna mówić „halo?” albo wchodzi w słowo.
Wniosek dla biznesu: pytaj dostawcę o czas odpowiedzi w warunkach produkcyjnych, nie w demo, i o to, jak wygląda ten czas dla najgorszych połączeń, nie tylko przeciętnych.
Rozpoznawanie mowy w realnych warunkach. Model rozpoznawania mowy (ASR) testowany na czystym nagraniu radzi sobie inaczej niż przy szumie tła, przerywanym połączeniu czy niewyraźnej wymowie. Nie ma tu jednego uniwersalnego przelicznika, ile dokładnie traci się przez telefonię, ale mamy na to własny, twardy przykład. Przy wdrożeniu dla operatora sieci światłowodowej Nexera ten sam bot, obsługujący dokładnie tę samą sprawę, poprawnie rozpoznawał adres w 80% rozmów tekstowych i tylko w 65% rozmów głosowych.
Wniosek dla biznesu: wymagaj od dostawcy testów na konkretnych, trudnych przypadkach z Twojej branży (nazwy własne, adresy, numery), nie na ogólnym materiale treningowym.
Przerywanie i wyczucie końca wypowiedzi. Bot, który nie zauważa, że rozmówca mu przerwał, i czyta dalej zaplanowaną kwestię, brzmi sztucznie niezależnie od barwy głosu.
Wykrywanie poczty głosowej i stanu połączenia. Bez tego mechanizmu bot może próbować prowadzić dialog z automatyczną sekretarką albo z ciszą, co psuje skuteczność kampanii wychodzących.
Czy sprawa została załatwiona. Badania nad akceptacją botów konwersacyjnych wskazują, że decydują o niej przede wszystkim użyteczność i zaufanie, nie poziom „ludzkości” głosu. Rozmówca ocenia rozmowę przede wszystkim przez to, czy jego problem został rozwiązany.
Jak to wygląda w praktyce: przykład KODA
Przy projekcie dla Nexery zespół KODA testował dostępne komponenty rozpoznawania i syntezy mowy na trudnych polskich nazwach miejscowości (Gietrzwałd, Wąbrzeźno, Zawidz Kościelny) i wybrał konkretne rozwiązanie dopiero po takich testach, nie na podstawie reputacji dostawcy. Do warstwy głosowej, podobnie jak przy wdrożeniu dla Grupy Veritas, wykorzystano VoiceAI Connect firmy AudioCodes.
Projektowanie pod telefoniczne realia widać też w drobnych decyzjach. Przy Nexerze przyspieszono tempo odczytu obowiązkowej informacji RODO, a w momentach oczekiwania na odpowiedź z systemów zewnętrznych dodano dźwięki wypełniające ciszę, żeby rozmówca nie pomyślał, że połączenie się urwało.
Wniosek dla biznesu: dobre wdrożenie głosowe to dziesiątki takich drobnych decyzji, nie wybór jednego, najlepszego głosu.
Pytania, które warto zadać dostawcy voicebota
- Jaki jest czas odpowiedzi w warunkach produkcyjnych, nie w nagranym (i czasem też zmontowanym) demo?
- Czy rozpoznawanie mowy było testowane na specyficznych dla naszej branży nazwach i danych?
- Jak system radzi sobie z przerywaniem bota przez rozmówcę?
- Czy wykrywa pocztę głosową i inne stany połączenia?
- Jak mierzona jest jakość: przez skuteczność załatwienia sprawy, czy tylko przez „naturalność” głosu?
Realistyczny głos to dobry punkt wyjścia. Nie jest to jednak sam produkt. Produktem jest cała rozmowa.