Podsumowanie webinaru: Jak tworzyć naturalnie brzmiące AI Agents

Większość zespołów chce stworzyć agenta, który brzmi naturalnie.

Problem, który widzi większość zespołów, to agenci, którzy wykonują zadanie, ale nie rozumieją kontekstu, pilności ani emocji. A gdy dzwoniący to zauważy, spada zaufanie i jakość interakcji.

Podczas naszego niedawnego Live Workshop: Jak tworzyć naturalnie brzmiących agentów AI, Luigi Sambuy (Forward Deployed Engineering) pokazał, co odróżnia agenta brzmiącego jak robot od takiego, który wydaje się naprawdę ludzki.

Dlaczego naturalne brzmienie jest trudniejsze, niż się wydaje

Większość zespołów wdrażających agentów rozwiązała już kwestię dokładności — agent podaje właściwą odpowiedź, rezerwuje właściwy stolik, anuluje właściwy lot. 

Trudniej jest zadbać o właściwy sposób przekazu.

Agent, który nie odzwierciedla emocji dzwoniącego, nie wyczuwa pilności i odpowiada na każde pytanie w tym samym, płaskim rytmie, zawsze będzie brzmiał sztucznie — bez względu na to, jak poprawne są jego odpowiedzi. Klienci nie chcą tylko rozwiązania problemu — chcą też czuć, że ktoś ich słucha.

Cztery cechy naturalnie brzmiącego agenta

1. Rytm i płynność — naturalne tempo, pauzy i zmienne tempo zamiast monotonnego odczytu
2. Dopasowanie — reagowanie troską na frustrację dzwoniącego i ciepłem na dobre wiadomości
3. Kontekst — uwzględnianie historii użytkownika, systemów firmowych oraz sygnałów kulturowych i regionalnych, aby odpowiedzi nie były ogólnikowe
4. Tożsamość — głos stworzony dla marki, a nie gotowy domyślny głos

Demo: naturalnie brzmiący agent w praktyce

Scenariusz: Klient dzwoni do restauracji Rosette, aby przełożyć rezerwację. To jego piąta rocznica ślubu, a on się spóźnia.

Co pokazano:

• Agent ciepło rozpoczął rozmowę i zanim przeszedł dalej, wspomniał o rocznicy
• Wychwycił drobną niezgodność między podaną godziną rezerwacji a faktycznie zarezerwowaną i wyjaśnił ją, zamiast zgadywać
• Przełożył rezerwację na 21:00 i bez pytania zaproponował stolik przy oknie na tę okazję
• Przez całą rozmowę agent stosował naturalne pauzy, wtrącenia i ton dopasowany do sytuacji — uspokajający, ciepły, bez pośpiechu

Dlaczego to ważne: Nie wynikało to z innego modelu ani potężniejszej platformy. Zadecydował prompt. Prompt systemowy pozwolił agentowi poprawiać się w środku zdania, naturalnie urywać wypowiedź, gdy „czegoś szuka”, oraz zmieniać ton emocjonalny zgodnie z nastrojem dzwoniącego — te same techniki są dziś dostępne dla każdego zespołu korzystającego z platformy.

Siedem elementów naturalnych agentów

1. Tagi emocjonalne — dostępne w trybie ekspresyjnym konwersacyjnego modelu v3 oraz Eleven v4; najważniejszy sposób na zróżnicowanie tonu
2. Szum w tle — odgłosy biura, miasta lub pisania na klawiaturze, które tworzą bardziej znajomy, ludzki kontekst
3. Ton w prompcie systemowym — tu kryje się większość różnicy
4. Ustawienia reaktywności (eager / normal / patient) — dopasowane do czasu, jakiego wymaga interakcja
5. Słownik wymowy / słowa kluczowe — dla nazw, marek i obcych słów, które agent mógłby błędnie wymówić. 
6. Ustawienia wyjścia — niektóre zespoły celowo dodają w tle dzwoniące telefony zamiast krystalicznie czystego audio, ponieważ klienci przechodzący z tradycyjnego contact center są przyzwyczajeni do lekko przytłumionego tonu
7. Voice Design lub klonowanie — tworzenie w pełni własnego głosu zgodnego z marką zamiast wybierania gotowego. Voice Design pozwala opisać konkretny głos w prompcie (np. „mężczyzna po trzydziestce, brzmiący jak przez zestaw słuchawkowy”). Voice Cloning obejmuje klon natychmiastowy (około 30 sekund audio) i profesjonalny (więcej materiału, wyższa jakość). 

Dobre praktyki dla naturalnie brzmiących agentów

Wpisz ton bezpośrednio do promptu systemowego. To tu kryje się większość różnicy między płaskim a naturalnym agentem. Daj agentowi wyraźne pozwolenie na poprawianie się w środku zdania („tak, jak naprawdę mówią ludzie”), naturalne urywanie wypowiedzi podczas wyszukiwania informacji i robienie pauzy po czymś poważnym, zanim odpowie.

Dopasuj tagi emocjonalne do chwili. Tag „excited” nie pasuje do poważnej lub ryzykownej sytuacji. Umieszczaj tagi świadomie tam, gdzie faktycznie wystąpią w rozmowie, i dostosowuj je do emocji dzwoniącego w miarę rozwoju rozmowy (np. spokojny i uspokajający ton dla zaniepokojonej osoby, a szybki, ale ciepły dla kogoś, kto się spieszy).

Świadomie ustaw reaktywność.Eager sprawdza się w szybkich rozmowach z dużą ilością informacji; patient — gdy ktoś potrzebuje czasu, aby znaleźć dokument lub numer. Ustawienie wszędzie eager może sprawić, że agent będzie wydawał się natarczywy, a nie naturalny.

Dobieraj LLM do każdego węzła.Używaj lżejszych, szybszych modeli do prostego przekierowywania, a bardziej zaawansowanych do węzłów podejmujących rzeczywiste decyzje. 

Traktuj postrzegane opóźnienie jako część „naturalności”.Poza wyborem modelu, spekulacyjne generowanie tury (gdy model zaczyna tworzyć odpowiedź, zanim dzwoniący skończy mówić) i słowa wypełniające przy miękkim limicie czasu skracają odczuwalną długość pauzy, nawet jeśli rzeczywisty czas odpowiedzi się nie zmienił.

Lokalizuj zamiast tłumaczyć.Wybieraj głosy rzeczywiście wytrenowane w języku docelowym, korzystaj ze słownika wymowy i w zastosowaniach jednojęzycznych rozważ napisanie samego promptu w tym języku, aby poprawić działanie. Multilingual v2 nadal jest dobrym wyborem, gdy ważniejsze od szerokiej ekspresji są niskie opóźnienia w wielu językach.

Monitoruj swojego agenta.Używaj testów symulacyjnych, by sprawdzać agenta bez prawdziwych rozmów, kryteriów oceny pozytywnej/negatywnej po rozmowie oraz analizy sentymentu tura po turze, aby dokładnie wykryć, gdzie agent użył niewłaściwego tonu — a następnie wykorzystaj te dane do dopracowania promptu.

Obejrzyj całą sesję

Obejrzyj cały webinar tutaj.