AI v telefóne prejavuje empatiu, zvládne aj nahnevaného volajúceho. Živý operátor je ale 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 špecifikách hovoril Leander Zapheriou z ElevenLabs.
Podpora menších jazykov
Komunikácia a konektivita sú pre ElevenLabs absolútnou prioritou. To znamená nielen podporu hlavných európskych jazykov, ale aj menších, ako je maďarčina či slovenčina. Prvé modely zvládali približne 10 až 15 jazykov, neskôr sa to rozšírilo na 32 jazykov v modeloch Flash a Turbo a najnovšie modely ich zahŕňajú už okolo sedemdesiat.
Model V3 rozumie aj zvukom
Model V3 dokáže podľa Zapheriou zvládnuť 70 jazykov a rozumie aj zvukom, ako je kašeľ, smiech či povzdych. Spoločnosť predstavila aj model V4, najnovší expresívny model prevodu textu na reč. Pri generovaní výstupu ponúka ElevenLabs profesionálne hlasové klony, na ktoré potrebuje približne dve hodiny nahrávok daného hlasu.
Rýchlosť odozvy je kľúčová
Pri konverzačnej umelej inteligencii využíva ElevenLabs kaskádový prístup, ktorý zahŕňa prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov a spracovanie tónu až po prevod textu späť na reč. Model dokáže zakašľať, zasmiať sa alebo zaspievať. Pri agentoch sa emocionálny rozsah rieši prostredníctvom syntetických zvukových značiek.
Dabing a úloha hercov
AI hlas je podľa Zapheriou dostatočne kvalitný aj pre televízny dabing. Ako príklad uviedol hlas Sylvestra Stalloneho vygenerovaný pre francúzsky film. Dabingoví herci budú mať podľa neho naďalej dôležitú úlohu. Určité časti procesu môžu byť rozšírené o umelú inteligenciu, no konečné sformovanie hlasu zostane v rukách dabingového herca.
Reakcie volajúcich
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. Podľa Zapheriou to mohlo byť spôsobené tým, že išlo o ich prvú interakciu s takouto technológiou a boli prekvapení, aký prirodzený hlas v skutočnosti bol.
Transparentnosť a voľba
Vždy je dobré volajúcemu povedať, že ide o umelú inteligenciu, a to aj z hľadiska európskych pravidiel. Dôležité je tiež dať ľuďom možnosť vybrať si, či chcú systém využiť. Príkladom je hlásenie, ktoré volajúcemu ponúkne čakanie alebo využitie AI agenta na rýchlejšie vyriešenie problému.
Dialekty a prístupnosť
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. Agent dokáže reagovať aj na požiadavku hovoriť pomalšie, čo je dôležité pri staršej generácii či ľuďoch s rečovými chybami.
Fotografia namiesto opisu
ElevenLabs je multimodálna platforma, ktorá okrem hlasu zvláda aj text a fotografiu. Ak zákazník nevie technický problém presne opísať, môže ho odfotiť. Agent sa dá nastaviť tak, aby napríklad bielu skrinku stotožnil s routerom a na základe toho obslúžil zákazníka.
Latencia a determinizmus
Pri AI konverzácii v reálnom čase zohráva kľúčovú úlohu latencia. Ak riešenie stojí kompletne v rámci ElevenLabs, nevykonáva sa viacero API volaní, čím sa procesy zrýchlia. Firma má aj funkcie na zníženie vnímania latencie, napríklad prehratie hudby či zvuku písania na klávesnici počas čakania na odpoveď.
Práca s emóciami
Umelá inteligencia vníma kontext už pri prevode reči na text a dokáže porozumieť prichádzajúcej frustrácii. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. AI sa prispôsobuje tónu hlasu volajúceho, pričom záleží na tom, ako sa správanie agenta nakonfiguruje.
Prepojenie na živého operátora
Všetky najväčšie implementácie sú založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek. Ak zákazník požiada o živého operátora, systém ho okamžite prepojí a operátorovi odovzdá celý kontext doterajšej konverzácie.
Úloha ľudí v call centrách
Call centrá možno kategorizovať od najkritickejších požiadaviek až po bežné každodenné otázky. AI spoľahlivo vybavuje práve tie každodenné otázky, kým zložitejšie problémy rieši ľudský operátor. Umelá inteligencia tak funguje ako asistent a ľudia sa môžu venovať zložitejším prípadom.
Konkurencia voči technologickým gigantom
Podľa Zapheriou je ElevenLabs v oblasti spracovania zvuku v hľadáčiku Googlu, Microsoftu aj OpenAI. Giganti majú veľké množstvo vzájomne si konkurujúcich priorít, kým ElevenLabs má jedinú prioritu – konektivitu a vývoj zvukových modelov. Práve preto si môže dovoliť investovať prostriedky výlučne do vývoja modelov na špičkovej úrovni a do aplikačnej vrstvy, ktorá zabezpečí ich použiteľnosť.
