Résumé du webinaire : Concevoir des agents IA à la voix naturelle

La plupart des équipes veulent créer un agent au ton naturel.

Mais elles constatent souvent que les agents accomplissent la tâche, sans comprendre le contexte, l'urgence ni l'émotion. Dès que l'appelant le remarque, la confiance diminue, tout comme la qualité de l'interaction.

Lors de notre récent atelier en direct : créer des agents IA au ton naturel, Luigi Sambuy (Forward Deployed Engineering) a expliqué ce qui distingue un agent à la voix robotique d'un agent qui paraît véritablement humain.

Pourquoi un ton naturel est plus difficile à obtenir qu'il n'y paraît

La plupart des équipes qui déploient des agents ont déjà résolu la question de la précision : l'agent donne la bonne réponse, réserve la bonne table, annule le bon vol. 

Le plus difficile est d'obtenir la bonne restitution.

Un agent qui ne reflète pas l'émotion d'un appelant, ne perçoit pas l'urgence et répond à chaque question avec le même rythme plat paraîtra toujours artificiel, aussi exactes que soient ses réponses. Les clients ne veulent pas seulement que leur problème soit résolu, ils veulent se sentir écoutés pendant qu'il l'est.

Les quatre caractéristiques d'un agent au ton naturel

1. Rythme et fluidité : un débit naturel, des pauses et des variations de vitesse plutôt qu'une diction monotone
2. Mimétisme : répondre avec empathie à un appelant frustré et avec chaleur à une bonne nouvelle
3. Contexte : exploiter l'historique de l'utilisateur, les systèmes métier et les repères culturels ou régionaux pour éviter des réponses génériques
4. Identité : une voix réellement conçue pour la marque, plutôt qu'une voix par défaut standard

Démonstration : un agent au ton naturel en action

Scénario : un client appelle le restaurant Rosette pour modifier sa réservation. C'est son cinquième anniversaire de mariage et il est en retard.

Ce que montre la démonstration :

• L'agent a commencé chaleureusement en reconnaissant l'anniversaire avant toute autre chose
• Il a repéré une légère incohérence entre l'heure de réservation annoncée et celle réellement enregistrée, puis a demandé une clarification plutôt que de supposer
• Il a déplacé la réservation à 21 h et proposé spontanément une table près de la fenêtre pour l'occasion, sans qu'on le lui demande
• Tout au long de l'appel, l'agent a utilisé des pauses naturelles, des mots de remplissage et un ton adapté au moment : rassurant, chaleureux, sans précipitation

Pourquoi c'est important : rien de tout cela ne vient d'un autre modèle ou d'une plateforme plus performante. Tout vient du prompt. Le prompt système autorisait l'agent à se corriger au milieu d'une phrase, à laisser naturellement ses phrases en suspens pendant qu'il « cherche une information », et à adapter son ton émotionnel à celui de l'appelant, autant de techniques aujourd'hui accessibles à toutes les équipes qui développent sur la plateforme.

Sept leviers pour créer des agents naturels

1. Balises émotionnelles : disponibles avec le mode expressif du modèle conversationnel v3 et Eleven v4 ; le principal levier de variation du ton
2. Bruit de fond : ambiance de bureau, bruits urbains ou sons de frappe au clavier pour un contexte plus familier et humain
3. Ton dans le prompt système : c'est là que se joue l'essentiel de la différence
4. Réglages d'empressement (empressé / normal / patient) : à adapter au temps nécessaire à l'interaction
5. Dictionnaire de prononciation / mots-clés : pour les noms, les marques et les mots étrangers que l'agent prononcerait autrement mal. 
6. Réglages de sortie : certaines équipes ajoutent délibérément des sonneries de téléphone en arrière-plan plutôt qu'un audio impeccable, car les clients qui quittent un centre de contact traditionnel sont habitués à ce ton légèrement étouffé
7. Voice design ou clonage : créez une voix entièrement personnalisée et fidèle à votre marque plutôt que d'en choisir une standard. Voice design permet de décrire précisément ce que vous recherchez, par exemple « un homme d'une trentaine d'années qui semble parler dans un casque ». Clonage de voix va du clonage instantané, avec environ 30 secondes d'audio, au clonage professionnel, avec davantage de matériel et une fidélité supérieure. 

Bonnes pratiques pour des agents au ton naturel

Indiquez directement le ton dans le prompt système. C'est là que se joue l'essentiel de la différence entre un agent plat et un agent naturel. Autorisez explicitement l'agent à se corriger au milieu d'une phrase (« comme les gens parlent réellement »), à laisser naturellement ses phrases en suspens pendant qu'il cherche une information, et à laisser un silence après un sujet grave avant de répondre.

Adaptez les balises émotionnelles au moment. Une balise « excited » ne convient pas à un moment grave ou risqué. Placez les balises de manière réfléchie, là où elles interviendront réellement dans la conversation, et adaptez-les à l'état émotionnel de l'appelant au fil de l'appel, par exemple un ton calme et rassurant pour un appelant anxieux, contre un ton rapide mais chaleureux pour une personne pressée.

Réglez l'empressement de manière réfléchie. Le mode empressé convient aux échanges rapides et riches en informations ; le mode patient est préférable lorsqu'une personne a besoin de temps pour retrouver un document ou un numéro. Utiliser le mode empressé par défaut peut donner à l'agent un ton insistant plutôt que naturel.

Choisissez le LLM adapté à chaque nœud. Utilisez des modèles plus légers et rapides pour les étapes de routage simples, et des modèles plus capables pour les nœuds qui prennent de véritables décisions. 

Considérez la latence perçue comme un élément du « naturel ». Au-delà du choix du modèle, la génération spéculative de tours de parole, qui permet au modèle de commencer à formuler une réponse alors que l'appelant parle encore, et les mots de remplissage lors des délais d'attente réduisent toutes deux la durée perçue d'une pause, même si le temps de réponse réel ne change pas.

Localisez plutôt que de traduire. Choisissez des voix réellement entraînées dans la langue cible, utilisez un dictionnaire de prononciation, et, pour les cas d'utilisation monolingues, envisagez de rédiger le prompt directement dans cette langue afin d'améliorer les performances. Multilingual v2 reste une option fiable lorsque la faible latence entre les langues importe davantage que la plage expressive.

Surveillez votre agent. Utilisez des tests de simulation pour valider un agent sans appels réels, des critères d'évaluation pour attribuer un résultat réussi ou échoué après l'appel, et une analyse du sentiment tour par tour pour identifier précisément où l'agent a adopté le mauvais ton dans une conversation. Utilisez ensuite ce signal pour ajuster le prompt.

Regarder la session complète

Regardez le webinaire complet ici.