Większość głosowej AI wciąż rozmawia jak krótkofalówka. Mówisz, czekasz, ona odpowiada, a jeśli próbujesz wejść jej w słowo, mówi dalej albo całkowicie gubi wątek.
Ludzie tak nie rozmawiają. W prawdziwej rozmowie telefonicznej obie strony jednocześnie słuchają i mówią. Mówimy „mhm”, gdy rozmówca jest w połowie zdania. Przerywamy, by poprawić jakiś szczegół. Robimy pauzę, żeby się zastanowić, nie oddając przy tym głosu.
Modele głosowe full duplex są stworzone do prowadzenia właśnie takich rozmów. Wyjaśniamy, jak działają, dlaczego są ważne dla doświadczenia klienta i jak Maven Voice wykorzystuje je w prawdziwych rozmowach z działem wsparcia.
Co oznacza „full duplex”
Termin pochodzi z telekomunikacji. Opisuje, jak kanał obsługuje ruch w dwóch kierunkach.
- Half duplex: dane przepływają w obu kierunkach, ale tylko w jednym naraz. Klasycznym przykładem jest krótkofalówka. Naciskasz, żeby mówić, puszczasz, żeby słuchać, i mówisz „odbiór”, by druga strona wiedziała, że teraz jej kolej.
- Full duplex: dane przepływają w obu kierunkach jednocześnie. Rozmowa telefoniczna to full duplex. Słyszysz rozmówcę, nawet gdy sam mówisz.
Większość dzisiejszych agentów głosowych zachowuje się jak systemy half duplex, mimo że działają na liniach telefonicznych full duplex. Agent czeka na ciszę, uznaje, że rozmówca skończył, generuje odpowiedź i ją odtwarza. Kiedy mówi, właściwie nie słyszy.
Model głosowy full duplex słucha przez cały czas, także gdy mówi. Przetwarza dźwięk przychodzący i generuje wychodzący równolegle, dzięki czemu może reagować na rozmówcę w czasie rzeczywistym.
Jak działają modele głosowe full duplex
Aby zobaczyć, co się zmienia, warto zacząć od tego, jak zbudowana jest dziś większość agentów głosowych. Typowe podejście to potok kaskadowy:
- Speech-to-text transkrybuje wypowiedź rozmówcy.
- Wykrywanie tury czeka na pauzę wystarczająco długą, by uznać, że rozmówca skończył.
- Model językowy czyta transkrypcję i pisze odpowiedź.
- Text-to-speech zamienia tę odpowiedź z powrotem na dźwięk.
Każde przekazanie dodaje opóźnienie, a każdy etap gubi część informacji. Transkrypcja usuwa ton, wahanie i akcenty. Wykrywanie tury opiera się na ciszy, więc rozmówca, który zatrzymuje się, by znaleźć numer konta, zostaje przerwany, a ten, który mówi szybko, czeka w niezręcznej ciszy.
Modele full duplex skracają ten łańcuch. Pracują bezpośrednio na dźwięku w obu kierunkach – stąd często określenie speech-to-speech – a słuchanie i mówienie prowadzą jako 2 ciągłe strumienie. To umożliwia kilka zachowań kluczowych w rozmowie na żywo:
- Przerywanie (barge-in). Gdy rozmówca wtrąca „Nie, chodzi o inny adres”, model przerywa, przyjmuje poprawkę i się dostosowuje. Nie dokańcza scenariusza, który rozmówca już odrzucił.
- Sygnały zwrotne. Krótkie wtrącenia, takie jak „rozumiem” czy „dobrze”, pokazują, że agent nadąża, nie przejmując przy tym głosu.
- Naturalna wymiana tur. Model oprócz ciszy odczytuje intonację i kontekst, więc potrafi odróżnić pauzę na zastanowienie od zakończonej myśli.
- Sygnały paralingwistyczne. Frustracja, dezorientacja i pośpiech słychać w tym, jak coś zostało powiedziane. Model, który słyszy dźwięk bezpośrednio, może na to zareagować – transkrypcja by to spłaszczyła.
Dlaczego to ważne dla doświadczenia klienta
To w obsłudze telefonicznej jakość rozmowy widać najszybciej. Dzwoniący często są zestresowani, robią kilka rzeczy naraz albo dzwonią, bo samoobsługa już ich zawiodła. Każda niezręczna pauza czy zagłuszona poprawka kosztuje ich cierpliwość.
Full duplex zmienia kilka rzeczy istotnych dla liderów obsługi klienta:
- Mniej eskalacji z powodu frustracji. Dzwoniący wciskają zero, gdy czują, że nikt ich nie słucha. Agent, który radzi sobie z przerwaniami i poprawkami, utrzymuje ich w rozmowie.
- Krótsze rozmowy. Dzwoniący mogą przeskoczyć dalej, potwierdzić dane w trakcie zdania i pominąć niepotrzebne komunikaty.
- Dokładniejsze zbieranie danych. Numery kont, adresy i szczegóły zamówień często padają we fragmentach i z poprawkami. Ciągłe słuchanie ułatwia poprawne zapisanie ich za pierwszym razem.
- Doświadczenie marki, które brzmi po ludzku. Głos wciąż jest kanałem, z którego klienci korzystają przy najpilniejszych sprawach. To, jak brzmi agent, staje się tym, jak brzmi firma.
Co wyróżnia Maven Voice
Naturalnie brzmiący głos to tylko połowa zadania. Podczas rozmowy z działem wsparcia agent musi też zrozumieć problem, wykonać działania w Państwa systemach i trzymać się Państwa polityk. Maven Voice łączy rozmowę full duplex z możliwościami wnioskowania i integracjami platformy Maven AGI.
Speech-to-speech w produkcji. Maven Voice wykorzystuje modele voice-to-voice w rozmowach na żywo w przedsiębiorstwach, dzięki czemu ton i tempo pozostają nienaruszone od pierwszego słowa rozmówcy. Nasz partner IBEX określił Maven jako pierwszą firmę, która wprowadziła speech-to-speech do pełnej produkcji na potrzeby przedsiębiorstw.
Wybór silnika bez przebudowy. Maven Voice współpracuje z wiodącymi dostawcami technologii głosowych, w tym OpenAI i Phonic. Wybierają Państwo silnik dopasowany do swojego zastosowania. Maven odpowiada za orkiestrację, wnioskowanie i integrację, więc zmiana lub dodanie silnika nie oznacza zaczynania od nowa.
Rozmowy, które kończą się działaniem. Maven Voice łączy się z systemami, z których korzysta Państwa zespół wsparcia. Może zweryfikować zamówienie i wysłać produkt zastępczy, zablokować kartę i wydać nową albo przełożyć wizytę – wszystko w trakcie jednej rozmowy.
Stworzony z myślą o hałaśliwym, rzeczywistym otoczeniu. Testowaliśmy Maven Voice w metrze, na lotniskach i na stadionach. Klienci nie zawsze dzwonią z cichego pokoju, a agent i tak musi ich usłyszeć.
57 języków, zmiana w trakcie rozmowy. Rozmówcy mogą zmienić język w trakcie rozmowy, a Maven Voice za nimi podąża.
Pasuje do Państwa contact center. Klienci dzwonią pod te same numery. Maven Voice współpracuje z istniejącym routingiem i platformami, a gdy potrzebny jest człowiek, przekazuje rozmowę z pełnym kontekstem, więc rozmówca nie musi niczego powtarzać.
Bezpieczeństwo klasy enterprise. Wbudowane maskowanie danych w dźwięku i tekście chroni poufne informacje zarówno podczas przesyłania, jak i przechowywania. Potwierdza to 15 certyfikatów i ocen, w tym ISO 42001 oraz PCI-DSS 4.0 Level 1.
Klienci tacy jak Papaya Pay już korzystają z Maven Voice, by zapewniać wsparcie telefoniczne 24/7, zachowując pełną kontrolę nad jakością.
Przekonaj się sam
Najszybszy sposób, by zrozumieć głos full duplex, to z nim porozmawiać. Przerwij mu. Zmień zdanie w połowie wypowiedzi. Zmień język. A potem zobacz, jak kompleksowo rozwiązuje sprawę.
** Umów demo Maven Voice ** i usłysz, jak mogłyby brzmieć Państwa rozmowy.
Przekonaj się na własnych rozmowach.
Poproś o bezpłatne, spersonalizowane demo.
