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 13 种语言中大规模运行生产级 语音智能体。 

本文回顾了 智能体幕后：Cars24 如何通过语音 AI 自动完成超过 300 万分钟的销售通话。Cars24 AI 与创新负责人 Jayesh Gupta 分享了 Cars24 如何构建和部署其语音 AI 系统：从首个简单用例，到处理数百万分钟客户对话的多智能体架构。

为何这一规模的语音 AI 很重要

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 - 4,500 辆车，完成超过 100,000 次检测，并促成超过 22,000 次试驾。

这还未包括融资、交付后支持、罚款缴纳和汽车抵押贷款。仅销售漏斗中，每位客户的周期就长达 30 至 45 天。

其买家中有 75% 是首次购车。对这些客户而言，买车不只是一次交易，而是一项重大的财务和情感决策。这意味着 Cars24 产品的 70 - 80% 不是 App，而是对话：销售漏斗每个阶段都需要人工引导和辅助销售。

在 AI 智能体出现前，系统效率正逐渐下降。客户会联系错误的团队——例如向销售团队寻求支持，导致等待时间更长，客户体验也更低效。 

等待时间越来越长。在长达 30 天的销售漏斗中，跟进也会遗漏。 

从线索筛选到贷款文件，管理各项流程成本高昂，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 谈判智能体

场景： Cars24 语音智能体致电一位正考虑卖车的卖家，用印地语谈判，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，没有机械式停顿

- 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： 一位客户错过了检测预约。筛选智能体致电重新预约，发现升级购车意向后，实时转接给销售智能体；后者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 探查意图：卖家是想升级车辆，还是出于财务原因卖车？

- 客户表达了升级车辆的意向

- Sneha 提议转接至合适团队，并在通话中完成转接

- 智能体 2 获得完整上下文，继续围绕购买二手车展开对话

- 客户要求一小时后回电时，智能体确认请求、回顾预约状态，并顺畅结束通话

为何重要： 这一演示展示了多智能体编排在实际中的运作方式。每个智能体负责一项任务，上下文在它们之间传递，没有重复询问或转接中断。Cars24 正打造一个全天候统一号码，让客户无需重复说明情况，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。这让他们能先验证有效方法，再逐步扩展。

当他们转向更长、更复杂的呼入通话——平均 7 分钟、有时长达 13 分钟的车辆探索对话——单智能体架构遇到了明显瓶颈。 

mini 模型在超过 3 至 4 分钟后开始丢失上下文。 

更大的模型则带来了延迟。 

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影响购车流程。

他们的解决方案是多智能体编排，将对话拆分为多个阶段： 

1. 使用 mini 模型的小型筛选智能体捕捉初步意图
2. 客户参与对话并愿意多等待片刻后，更大的模型接手进行需求探索
3. 只有在谈及价格或融资时，第三个专注贷款的智能体才会启动。

每个智能体各司其职。一处改动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 13 种语言的嘈杂二线、三线环境中依然准确而被选用
2. 文本转语音：ElevenLabs Flash 2.5，近期升级至 V3 表现力模式，销售表现获得可量化提升
3. LLM：多数用例使用 GPT-4.1 mini；需要更深入推理的长时需求探索通话使用 GPT-4o 或同等模型
4. 电话系统：使用 WebSockets 和 24kHz PCM 保障音频质量；在印度采用 Twilio、Exotel 和 Plivo 等服务商
5. 集成：对 ElevenLabs Agents 平台发起自定义 API 调用、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 万个向量的大型数据集使用二进制量化，以降低延迟和成本

选择 ElevenLabs Agents，而非组合独立的 STT、LLM 和 TTS 组件，原因只有一个：延迟。 

即使用相同的底层模型，自行构建管道也会持续将延迟推高至 1 秒以上。 

ElevenLabs 平台同时掌控模型与 编排层，将延迟降低了 30% 至 40%。这一改善直接带来了 30% 至 40% 的转化提升。

Cars24 的最佳实践

1. 从失败成本最低的环节开始。 Cars24 的首个用例是错过预约提醒——简短、简单、风险低。先在这里验证模型，既建立了内部信任，也让团队在触及销售漏斗中更高价值环节前有机会学习。

2. 在真实客户中运行，而非模拟环境。 内部测试无法复现真实对话的复杂性。Cars24 在 10% 的真实流量上试运行，接受暂时的指标下滑，并根据真实反馈迭代。

3. 将提示词长度设为硬性限制。 对于不足两分钟的通话，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，也无法稳定改善结果。若用例需要更多内容，就再构建一个智能体。

4. 将常见回答放在提示词中，而非知识库。 对于客户最常问的问题，直接将答案写入提示词。工具调用和 RAG 检索则留给其余 20% 的问题。这样能消除大多数知识查询导致的延迟峰值。

5. 预先录制首条消息。 ElevenLabs Agents 可在接通前预生成并缓存开场消息。再配合将首条消息设为不可打断，可减少网络延迟或过早打断造成的早期挂断。

6. 将评估纳入每一通电话。 Cars24 对 100% 的通话使用 ElevenLabs Agents 评估，跟踪是否遵循 SOP、客户是否表现出沮丧，以及是否有任何环节失败。评估失败会触发人工审核，每天还会审计随机样本。团队因此保持主动，而非被动应对。

7. 分阶段扩展。 新智能体按 5%、10%、20%、50%、100% 的节奏逐步上线，每个阶段保持两天，确认评估指标稳定后再进一步扩大。

8. 不要致电未要求接收联系的客户。 Cars24 的每一通外呼电话都拨给已进入销售漏斗的人。未经请求的 AI 外联会增加投诉、损害信任。原则很简单：尚未参与流程，就不致电。

9. 客户询问是否在与 AI 对话时，要如实回答。 被问及此事时，Cars24 智能体会确认自己是虚拟助手。若客户希望与人工沟通，电话会立即转接。

10. 将 AI 支出视为投资项目，而非成本。 Cars24 现在将 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具体任务。每次部署都应推动一项实际指标。

观看完整会议

观看完整会议 此处。