AI v telefóne prejavuje empatiu, zvládne aj nahnevaného volajúceho. Živý operátor je v call centre kľúčová poistka
Spoločnosť ElevenLabs sa vyprofilovala na jedného z najvýznamnejších globálnych hráčov v oblasti spracovania zvuku prostredníctvom umelej inteligencie. Jej technológie umožňujú vytvárať realistické syntetické hlasy, ktoré dokážu rozprávať v takmer sedemdesiatich jazykoch vrátane slovenčiny a prenášať ľudské emócie, smiech či povzdychy. O podrobnostiach hovoril Leander Zapheriou z ElevenLabs.
Podpora menších jazykov je pre spoločnosť prioritou. Prvé modely zvládali približne 10 až 15 jazykov, neskôr sa rozšírili na 32 jazykov v modeloch Flash a Turbo a najnovšie modely ich zahŕňajú už okolo sedemdesiat. „Konektivita a prepojenie na ľudskej úrovni sú naším jadrom a snažíme sa zabezpečiť, aby bol hlas ich základným prvkom,“ uviedol Zapheriou.
Model rozumie aj zvukom
Model V3 dokáže v produkcii zvládnuť 70 jazykov a rozumie aj zvukom, ako je kašeľ, smiech či povzdych. Spoločnosť predstavila aj model V4, označovaný za najnovší expresívny model prevodu textu na reč.
Pri generovaní výstupu ponúka ElevenLabs takzvané profesionálne hlasové klony. Potrebuje približne dve hodiny nahrávok daného hlasu, na základe ktorých vytvorí syntetický výstup zachovávajúci nuansy a charakteristiky hlasu naprieč jazykmi.
Kľúčová je rýchlosť odozvy
Pri konverzačnej umelej inteligencii využíva spoločnosť kaskádový prístup, ktorý zahŕňa prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov a spracovanie tónu až po prevod textu späť na reč. Vďaka tomu dokáže model na základe výstupu zakašľať, zasmiať sa alebo zaspievať. Na dosiahnutie emocionálnej hĺbky slúžia syntetické zvukové značky, ktoré možno vložiť na začiatok vety.
V otázke dabingu je podľa Zapheriou AI hlas už dostatočne kvalitný. Ako príklad uviedol hlas Sylvestra Stalloneho vygenerovaný pre francúzsky film. Dabingoví herci však podľa neho zostanú dôležití. „Určité časti procesu môžu byť rozšírené o umelú inteligenciu, aby nám to uľahčilo prácu. Samotný vysokokvalitný výstup a konečné sformovanie hlasu však bude aj naďalej v rukách dabingového herca,“ povedal.
Volajúci niekedy zostali ticho
Pri prvých testoch v call centrách, keď zákazníkov privítal hlas so slovami, že ide o AI agenta, niektorí ľudia reagovali úplne ticho a rozhodli sa neodpovedať. Mohlo to byť spôsobené prvou interakciou s takouto technológiou aj prekvapením, aký prirodzený hlas v skutočnosti bol.
Podľa Zapheriou je vždy dobré volajúcemu povedať, že ide o umelú inteligenciu, a to aj z hľadiska legislatívy a európskych pravidiel. Dôležité je tiež dať ľuďom možnosť vybrať si, či systém využijú. Ako príklad uviedol hlásenie, ktoré volajúcemu ponúkne čakanie v rade alebo využitie AI agenta na rýchlejšie vyriešenie problému. „Ľudia sú s priebehom a výsledkom spokojní, a keďže mali dobrú skúsenosť, pravdepodobne si túto možnosť vyberú znova,“ uviedol.
Dialekty aj nepresné opisy
Pri prevode textu na reč si možno prispôsobiť dizajn a identitu syntetického hlasu tak, aby výstup znel v požadovanom dialekte. Technológia pre menšie dialekty však zatiaľ nie je úplne dokonalá.
Ak zákazníci nevedia problém opísať technicky, platforma je multimodálna a umožňuje poslať aj fotografiu. Agent dokáže pracovať s logickými predpokladmi, napríklad že biela skrinka sa rovná router. Základom je podľa Zapheriou prísne testovanie v reálnych podmienkach.
Latencia a determinizmus
Pri AI konverzácii v reálnom čase sú kľúčovými faktormi latencia a determinizmus. Organizácia sa musí rozhodnúť, či nasadí hlasový engine na existujúcu infraštruktúru chatbota, alebo vybuduje celú cestu zákazníka priamo v ElevenLabs. Ak riešenie vzniká kompletne v rámci ElevenLabs, nevykonáva sa viacero API volaní a procesy sa zrýchlia.
Na zníženie vnímania latencie možno počas čakania na odpoveď z externého systému prehrať hudbu, zvuk písania na klávesnici alebo vetu typu „Dajte mi sekundu“.
Adaptácia na emócie
AI dokáže vnímať kontext a rozpoznať prichádzajúcu frustráciu. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. „Hlas sa pri generovaní odpovedí prirodzene prispôsobí situácii,“ uviedol Zapheriou. Správanie agenta pre tieto prípady však možno nakonfigurovať.
Ak zákazník požiada o živého operátora, systém ho prepojí a operátorovi odovzdá celý kontext doterajšej konverzácie. Zvažuje sa aj to, či má takýto zákazník po prepojení preskočiť rad čakania alebo či mu možno prideliť prioritu.
Človek zostáva v slučke
Call centrá možno kategorizovať od najkritickejších a najzložitejších požiadaviek až po bežné každodenné otázky. Umelá inteligencia spoľahlivo vybavuje práve tie každodenné otázky, zatiaľ čo najzávažnejšie idú priamo k človeku. AI tak funguje ako asistent a ľudskí operátori sa môžu venovať zložitejším problémom.
„Všetky naše najväčšie implementácie sú založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek,“ uzavrel Zapheriou.
