Telefon qo‘ng‘iroqlari uchun ovozli AI-agentni qanday yaratish kerak
Amaliyot3 daqInnovialabs tahririyati
Qisqacha
Ovozli agent — SIP yoki bulutli ATS orqali telefoniyaga ulangan «nutqni tanish → LLM → nutq sintezi» zanjiri; muvaffaqiyatni past kechikish, gap bo‘linishini to‘g‘ri qayta ishlash va insonga o‘tkazishning aniq qoidalari belgilaydi.
Ovozli agent qanday tuzilgan
Ovozli AI-agent bitta model emas, balki oqim rejimida ishlaydigan uch bo‘g‘inli zanjir:
- ASR (speech-to-text) mijoz nutqini matnga aylantiradi.
- LLM so‘rovni tushunadi, kerakli funksiyalarni chaqiradi (buyurtmani tekshirish, qabulga yozish) va javob tuzadi.
- TTS (text-to-speech) javobni ovozga aylantiradi.
Zanjir atrofida telefoniya (qo‘ng‘iroq agentga qanday yetib keladi), VAD (odam gapira boshlagani yoki tugatganini aniqlash), instrumentlar (CRM, jadval, buyurtmalar bazasi API’lari) va logging bor.
Audioni to‘g‘ridan-to‘g‘ri qabul qilib, audio qaytaradigan speech-to-speech modellar ham mavjud. Ular tezroq javob beradi, lekin ularni nazorat qilish qiyinroq. Klassik zanjirni sozlash osonroq va alohida bo‘g‘inlarni almashtirish mumkin.
Telefoniyaga ulash
Asosiy variantlar:
- Aloqa operatoringiz yoki bulutli ATS’dan SIP-trank → media server (masalan, Asterisk yoki FreeSWITCH) → agentga audio oqim.
- Qo‘ng‘iroq audiosini WebSocket orqali uzatadigan bulutli ovoz platformalari.
- Telefoniya ichiga o‘rnatilgan, faqat mantiqni sozlaysiz bo‘lgan tayyor ovozli agent platformalari.
E’tibor bering: telefon ovozi odatda tor polosada (8 kHz) keladi. ASR va VAD’ni aynan shunday audioda tekshiring.
Kechikish byudjeti
Odam suhbatdagi pauzani juda tez sezadi. Shuning uchun kechikish bo‘g‘inlar bo‘yicha taqsimlanadi va har biri optimallashtiriladi:
| Bo‘g‘in | Nimaga bog‘liq | Qanday tezlashtirish |
|---|---|---|
| Gap tugashini aniqlash | VAD sozlamalari | Jimlik chegarasini juda uzun qilmay tanlash |
| ASR | Oqimli yoki paketli rejim | Oqimli tanishdan foydalanish |
| LLM | Model hajmi, prompt uzunligi | Tez model, qisqa kontekst, token striming |
| TTS | Birinchi tovushgacha vaqt | Oqimli sintez, gaplar bo‘yicha ovozlashtirish |
| Tarmoq | Serverlar joylashuvi | Servislarni bir-biriga va telefoniyaga yaqin saqlash |
Asosiy usul — barcha bosqichlarda striming: LLM ikkinchi gapni yozayotganda TTS birinchisini aytishni boshlaydi. Uzoq operatsiyalarda (bazadan qidirish) agent qisqa to‘ldiruvchi ibora aytishi mumkin.
Gapni bo‘lish (barge-in)
Mijozlar gapni bo‘ladi — bu normal holat. Agent quyidagilarni bajarishi kerak:
- VAD mijoz nutqini eshitishi bilan TTS’ni darhol to‘xtatish;
- javob bo‘linganini va qaysi qismi eshitilganini kontekstda hisobga olish;
- shovqinga javob bermaslik: yo‘tal, «ha-ha», orqa fondagi ovozlar. Buning uchun VAD sezgirligi va nutqning minimal davomiyligi sozlanadi.
Gap bo‘linishini to‘g‘ri qayta ishlamasa, agent mijoz «ustidan» gapiradi va suhbat tezda buziladi.
Qachon insonga o‘tkazish kerak
Modelga umid qilmay, qoidalarni aniq yozing:
- mijoz to‘g‘ridan-to‘g‘ri operatorni so‘raydi;
- agent ketma-ket bir necha marta so‘rovni tushunmadi;
- mavzu ssenariydan tashqarida: shikoyat, yuridik savol, nizo;
- nozik operatsiyalar: pulni qaytarish, to‘lov ma’lumotlarini o‘zgartirish;
- shovqin yoki til sababli ASR ishonchi past.
O‘tkazishda operatorga qisqa xulosa va agent yig‘gan ma’lumotlarni bering, shunda mijoz hammasini qaytadan aytishi shart bo‘lmaydi.
Ishga tushirish tartibi
- Bitta tor ssenariy tanlang: qabulga yozish, buyurtma holati, yetkazib berishni tasdiqlash.
- Dialog, funksiyalar va o‘tkazish qoidalarini tavsiflang.
- Prototip yig‘ing va uni yozib olingan hamda jonli test qo‘ng‘iroqlarida sinang.
- Trafikning bir qismida ishga tushiring, yozuvlarni tinglang, promptlar va chegaralarni tuzating.
- Birinchisi barqaror ishlagandan keyingina ssenariylarni kengaytiring.
Mijozga u AI bilan gaplashayotganini aytishni va suhbat yozuvlarini saqlash qoidalariga rioya qilishni unutmang.