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 syntetické hlasy, ktoré dokážu rozprávať v takmer sedemdesiatich jazykoch vrátane slovenčiny a prenášať ľudské emócie, smiech či povzdychy. O podrobnostiach a špecifikách hovoril Leander Zapheriou z ElevenLabs.
Jednou z najväčších výziev pri integrácii umelej inteligencie do call centier je rýchlosť odozvy. Podľa Zapheriou je dôležité, aby spoločnosti podporovali aj menšie jazyky, akými sú maďarčina či slovenčina. Konektivita a prepojenie na ľudskej úrovni sú podľa neho jadrom ich práce.
Najnovší model ElevenLabs zvláda viac ako 90 jazykov. Dokáže rozumieť aj zvukom, ako je kašeľ, smiech či povzdych. Pri generovaní výstupu spoločnosť využíva takzvané profesionálne hlasové klony, na ktoré potrebuje približne dve hodiny nahrávok daného hlasu.
Pri otázke, či AI hlas dokáže prejavovať emócie a chápať kontext textu, Zapheriou uviedol, že ide o otázku architektonického rozhodnutia. ElevenLabs podľa neho využíva 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 na základe výstupu zakašľať, zasmiať sa alebo aj zaspievať.
V súvislosti s televíznym dabingom Zapheriou uviedol, že AI hlas je už dostatočne kvalitný. Ako príklad spomenul hlas Sylvestra Stalloneho vygenerovaný pre francúzsky film. Dabingoví herci však podľa neho budú mať aj naďalej dôležitú úlohu – pôjde skôr o prácu s asistenciou AI než o proces plne riadený umelou inteligenciou.
Pri prvých testoch v call centrách, keď zákazníkov privítal hlas so slovami „Dobrý deň, tu je AI agent, povedzte mi dôvod vášho hovoru“, niektorí ľudia reagovali úplne ticho. 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.
Zapheriou považuje za dôležité vždy volajúcemu povedať, že ide o umelú inteligenciu, a to aj z hľadiska európskych pravidiel. Rovnako dôležité je podľa neho dať ľuďom možnosť vybrať si, či chcú systém využiť. Ako príklad uviedol hlásenie, ktoré zákazníkovi ponúkne čakanie v rade alebo využitie AI agenta na rýchlejšie vyriešenie problému.
Pri dialektoch a prízvukoch má otázka podľa Zapheriou dve roviny – presnosť prevodu reči na text a mieru priblíženia výstupu danému dialektu. Technológia pre menšie dialekty zatiaľ podľa neho nie je úplne dokonalá, no integrácia dialektov je cieľom, ktorý závisí od veľkosti jazyka a kvality modelu.
Ak zákazníci nevedia presne technicky opísať svoj problém, súčasní agenti sú podľa Zapheriou už veľmi inteligentní. Dokážu pochopiť požiadavku hovoriť pomalšie a prispôsobiť výstup. ElevenLabs je multimodálna platforma, ktorá okrem hlasu zvládza aj fotografiu či text – zákazník tak môže problém jednoducho odfotiť.
Z technického hľadiska sú pri AI konverzácii v reálnom čase kľúčové latencia a determinizmus. Ak riešenie stojí kompletne v rámci ElevenLabs, nevykonáva sa viacero API volaní, čím sa procesy zrýchľujú. Spoločnosť má aj funkcie na zníženie vnímania latencie, napríklad prehratie hudby alebo vety „Dajte mi sekundu“ počas načítavania odpovede.
Umelá inteligencia dokáže podľa Zapheriou vnímať kontext a rozpoznať frustráciu volajúceho. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. Záleží pritom na tom, ako spoločnosť správanie agenta pre tieto prípady nakonfiguruje.
Všetky najväčšie implementácie ElevenLabs sú podľa Zapheriou založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek. Ak zákazník požiada o živého operátora, je okamžite prepojený a operátorovi sa odovzdá celý kontext doterajšej konverzácie.
Call centrá možno podľa Zapheriou kategorizovať od najkritickejších a najzložitejších požiadaviek až po bežné každodenné otázky. Umelá inteligencia zvláda otázky na povrchnejšej úrovni, tie hlbšie a zložitejšie problémy stále rieši ľudský operátor. Umelá inteligencia tak funguje ako asistent, vďaka čomu môžu ľudia venovať čas zložitým problémom.
Čo sa týka konkurencie zo strany globálnych technologických lídrov, ElevenLabs má podľa Zapheriou iba jednu prioritu – konektivitu a vývoj zvukových modelov.Veľké spoločnosti ako Google, Microsoft či OpenAI majú podľa neho obrovské množstvo vzájomne si konkurujúcich priorít, ich zdroje sa rozdeľujú medzi mnoho projektov. ElevenLabs sa sústreďuje výhradne na audio a komunikáciu, čo mu umožňuje investovať prostriedky do vývoja modelov na špičkovej úrovni a do aplikačnej vrstvy, ktorá zabezpečuje integráciu do existujúcich systémov.
