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 已在生产环境大规模运行 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 如何构建并部署其语音 AI 系统——从最初的简单用例，到可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 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。

这还未包括融资、交付后支持、罚款缴纳及汽车抵押贷款。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。对这些客户来说，买车不只是一次交易，而是财务影响重大、情感投入很深的决定。这意味着 Cars24 产品中有 70% 至 80% 不是 app，而是对话：在漏斗的每个阶段，由真人提供引导和协助的销售服务。

在使用 AI 智能体前，系统正逐渐变慢。客户会联系错误的团队——本应由支持团队处理的问题却找到了销售团队，导致等待时间更长、客户体验低效。 

等待时间越来越长，30 天销售漏斗中的跟进也会遗漏。 

从潜在客户筛选到贷款文件处理，整体运营成本高且难以扩展。

如今： 

1. 全部通话量中，25% 已实现自动化
2. 近一半销售由语音 AI 协助完成
3. 通话成本降低 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车主，用印地语进行谈判，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完整的销售谈判

- 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车主承诺选择 Cars24

重要性： 这些智能体能够主动销售、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：用于交叉销售的多智能体编排

场景： 一位客户错过了检测预约。资格筛选智能体致电重新预约，识别到升级意向后，实时将通话转接给销售智能体，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 探询意向：车主是想升级车辆，还是因财务原因卖车？

- 客户表示有升级意向

- Sneha 提议转接至对应团队，并在通话中完成转接

- 智能体 2 接手完整上下文，继续引导对话至购买二手车

- 当客户要求一小时后回电时，智能体予以确认、总结预约状态，并顺利结束通话

重要性： 这一演示展示了多智能体编排的实际运作方式。每个智能体负责一项任务，上下文在它们之间传递，不会重复或在交接时丢失信息。Cars24 正在打造一个全天候统一热线，客户可完成整个流程——卖车、买车、融资——而无需反复说明情况。

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。通话简短、结果明确、出错成本低。这让他们在扩展前先了解哪些方法有效。

当他们转向更长、更复杂的呼入电话——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确的瓶颈。 

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，将对话拆分为多个阶段： 

1. 使用 Mini 模型的小型资格筛选智能体捕捉初始意向
2. 客户投入对话并愿意接受稍长等待后，由更大的模型接管需求探索
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。

每个智能体各司其职。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. 语音转文字：ElevenLabs Scribe v2 实时版，因其在覆盖 13 种语言的 Tier 2 和 Tier 3 嘈杂环境中的准确性而被选用
2. 文本转语音：ElevenLabs Flash 2.5，近期升级至 Eleven v4 Turbo，可显著提升销售表现
3. LLM：大多数用例使用 GPT-4.1 mini；需要更深入推理的长时需求探索通话使用 GPT-4o 或同等模型
4. 电话通信：通过 WebSockets 和 24kHz PCM 确保音频质量；在印度的服务提供商包括 Twilio、Exotel 和 Plivo
5. 集成：对 ElevenLabs Agents 平台的自定义 API 调用、MCP 支持，以及面向澳大利亚市场的原生 HubSpot 集成
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，以保持低延迟和低成本

选择使用 ElevenLabs 智能体，而非组合独立的 STT、LLM 和 TTS 组件，归根结底是因为延迟。 

即使采用相同的底层模型，自建流水线也会持续将延迟推高至 1 秒以上。 

ElevenLabs 平台同时拥有模型和 编排层，将延迟降低了 30% 至 40%。这一降低直接带来 30% 至 40% 的转化率提升。

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——简短、简单、风险低。在这里验证模型有效性，既建立了内部信心，也让团队在接触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性。Cars24 在 10% 的真实流量上运行试点，接受短期下滑，并利用真实反馈持续迭代。

3. 将提示词长度设为硬性限制。 对于时长不足 2 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，就构建另一个智能体。

4. 将常见答案放在提示词中，而非知识库。 对于客户最常提出的问题，直接将答案写入提示词。工具调用和 RAG 检索仅用于剩余的 20%。这样可消除大部分知识查询导致的延迟峰值。

5. 预先录制第一条消息。 ElevenLabs Agents 可在通话接通前预先生成并缓存开场消息。再将第一条消息设为不可打断，可减少因网络延迟或过早打断导致的早期挂断。

6. 将评估纳入每通电话。 Cars24 对 100% 的通话使用 ElevenLabs Agents 评估，追踪是否遵循 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。 新智能体部署依次按 5%、10%、20%、50%、100% 推出，每个阶段保持 2 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 的每通外呼都面向已进入销售漏斗的客户。未经请求的 AI 外联会增加投诉并损害信任。原则很简单：如果对方尚未参与，就不致电。

9. 当客户询问是否在与 AI 对话时，要如实说明。 当被问及时，Cars24 智能体会确认自己是虚拟助手。若客户希望与真人沟通，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目标。每次部署都应推动一项实际指标。

观看完整场次

观看完整场次 此处。