网络研讨会回顾：Cars24 如何用 Voice AI 自动化超 300 万分钟销售通话

Cars24 正在大规模运营生产环境的 语音智能体，覆盖 13 种语言。 

本文回顾 智能体幕后：Cars24 如何借助语音 AI 自动处理超过 300 万分钟的销售通话，Cars24 AI 与创新负责人 Jayesh Gupta 在其中详细介绍了 Cars24 如何构建并部署语音 AI 系统——从第一个简单用例，到处理数百万分钟客户对话的 多智能体架构。

为何如此规模的语音 AI 至关重要

Cars24 是印度最大的二手车交易平台之一，业务覆盖印度、阿联酋和澳大利亚。每月售出 4,000 至 4,500 辆汽车，完成超过 100,000 次检测，并促成超过 22,000 次试驾。

这还不包括融资、交付后支持、罚款缴纳和汽车抵押贷款。仅销售漏斗中，每位客户的流程就长达 30 至 45 天。

其买家中，75% 是首次购车者。对他们而言，买车不只是一笔交易，而是事关财务、承载情感的重要决定。这意味着 Cars24 产品的 70% 至 80% 并非 App，而是对话：在漏斗的每个阶段，都需要人工引导和辅助销售。

在采用 AI 智能体前，系统已开始变慢。客户会联系错误的团队——本应咨询支持问题，却打给销售团队，导致等待时间变长，客户体验也变差。 

等待时间越来越长，30 天销售漏斗中的后续跟进也常被遗漏。 

从线索筛选到贷款文件处理，整个运营成本高昂且难以扩展。

如今： 

1. 25% 的通话量已实现自动化
2. 近一半销售由语音 AI 辅助完成
3. 通话成本降低了 50%

演示 1：Cars24 议价智能体

场景： Cars24 语音智能体致电一位考虑出售汽车的卖家，用印地语与其议价，说服对方选择 Cars24 而非竞争平台。

演示内容：

- 智能体用印地语完成一整套销售谈判

- 实时处理异议，并与其他平台竞争

- 对话自然流畅，延迟低，没有机械停顿

- 智能体在通话中促成卖家承诺选择 Cars24

为何重要： 这些智能体主动开展销售，处理模糊情况，回应异议并推动转化决策——全程使用客户最习惯的语言。Cars24 发现，语言匹配能直接提升通话时长和业务成果。

演示 2：通过多智能体编排实现交叉销售

场景： 客户错过了检测预约。筛选智能体致电重新安排预约，识别出换车意向，并将通话实时转接给销售智能体；后者能在不丢失上下文的情况下继续对话。

演示内容：

- 智能体 1（Sneha）先处理错过的预约并重新安排时间

- Sneha 探询意向：卖家是想换车，还是因资金原因卖车？

- 客户表示有换车意向

- Sneha 提议转接至对应团队，并在通话中完成转接

- 智能体 2 获取完整上下文，继续围绕购买二手车展开对话

- 当客户要求 1 小时后回电时，智能体确认请求，概述预约状态，并妥善结束通话

为何重要： 该演示展示了多智能体编排在实践中的运作方式。每个智能体各司其职，上下文在它们之间传递，不会重复询问，也不会出现交接遗漏。Cars24 正在打造一个全天候 24/7 电话号码，让客户无需重复说明，即可完成整个流程——卖车、买车、融资。

Cars24 如何构建：技术考量

Cars24 从最简单的用例开始：错过预约提醒。通话短、结果明确、出错成本低。这样他们可以先了解什么有效，再逐步扩展。

转向更长、更复杂的呼入通话后——平均 7 分钟、有时长达 13 分钟的车辆探索对话——他们发现单智能体架构存在明显上限。 

Mini 模型在通话超过 3 至 4 分钟后开始丢失上下文。 

更大的模型会带来延迟。 

将所有内容塞进一个提示词，会让系统变得脆弱：贷款流程的改动可能会破坏购车流程。

他们的解决方案是多智能体编排，将对话拆分为不同阶段： 

1. 使用 Mini 模型的小型筛选智能体捕捉初步意向
2. 客户参与对话并愿意多等片刻后，由更大的模型接手进行需求探索
3. 仅当涉及价格或融资时，才激活第 3 个专注贷款的智能体。

每个智能体各自做好一件事。改动其中一个，不会影响其他智能体。

技术栈（通过 ElevenAgents 平台编排）：

1. 语音转文本：ElevenLabs Scribe v2 实时版，因其在覆盖 13 种语言的二线和三线嘈杂环境中具有高准确率而被选用
2. 文本转语音：ElevenLabs Flash 2.5，近期已升级至 V3 表现力模式，可量化地提升销售表现
3. LLM：大多数用例使用 GPT-4.1 mini；需要更深入推理的长时间探索通话则使用 GPT-4o 或同等模型
4. 电话系统：使用基于 WebSockets 的 24kHz PCM 以保证音频质量；在印度采用 Twilio、Exotel 和 Plivo 等服务商
5. 集成：调用 ElevenLabs Agents 平台的自定义 API、支持 MCP，并为澳大利亚市场原生集成 HubSpot
6. 向量数据库：Qdrant，对超过 100 万向量的大型数据集使用二值量化，以降低延迟和成本

选择使用 ElevenLabs Agents，而非自行组合独立的 STT、LLM 和 TTS 组件，归根结底是因为一点：延迟。 

即使使用相同的底层模型，自行构建这条流程也始终会使延迟超过 1 秒。 

ElevenLabs 平台同时掌控模型和 编排层，将延迟降低了 30% 至 40%。这一降低直接带来了 30% 至 40% 的转化提升。

Cars24 的最佳实践

1. 从失败成本最低的地方开始。 Cars24 的第一个用例是错过预约提醒——通话短、简单、风险低。先在这里验证模型，为团队建立了内部信任，也让他们在触及销售漏斗中价值更高的环节前有空间学习。

2. 在真实客户身上运行，而非模拟环境。 内部测试无法复现真实对话的复杂和混乱。Cars24 在 10% 的实时流量上开展试点，接受短期下滑，并根据真实反馈持续迭代。

3. 将提示词长度设为硬性限制。 对于 2 分钟以内的通话，Cars24 将提示词限制在 4,000 至 5,000 个 token。更长的提示词会拖慢模型，却无法稳定改善结果。若用例需要更多内容，就再构建一个智能体。

4. 将常见答案放在提示词中，而不是知识库。 对于客户实际最常问的问题，直接将答案写入提示词。工具调用和 RAG 检索则留给剩余的 20%。这能消除大多数知识查询造成的延迟峰值。

5. 预先录制第一条消息。 ElevenLabs Agents 可在通话接通前预生成并缓存开场消息。再将第一条消息设为不可打断，便能减少网络延迟或过早打断造成的早期挂断。

6. 在每通电话中加入评估。 Cars24 对 100% 的通话使用 ElevenLabs Agents evals，跟踪是否遵循 SOP、客户是否表现出不满，以及是否出现故障。评估失败会触发人工审核，每天还会审计随机样本。团队保持主动，而非被动应对。

7. 分阶段扩展。 新智能体部署按 5%、10%、20%、50%、100% 的比例逐步发布，并在每个阶段停留 2 天，确认评估指标稳定后再继续扩大。

8. 不要联系未主动要求接收消息的客户。 Cars24 的每一通外呼电话都面向已进入销售漏斗的客户。未经请求的 AI 触达会增加投诉并损害信任。规则很简单：如果对方尚未参与，就不联系。

9. 客户询问是否在与 AI 对话时，要坦诚相告。 客户询问时，Cars24 智能体会确认自己是虚拟助手。如果客户想与人工客服沟通，通话会立即转接。

10. 将 AI 支出视为投资项目，而非成本。 Cars24 现已将 AI 成本纳入年度运营计划，并设定与可衡量业务成果挂钩的明确任务。每次部署都应推动一项实际指标。

观看完整内容

观看完整内容 请点击此处。