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, ale tiež prenášať ľudské emócie, smiech či povzdychy.
Podpora menších jazykov je pre spoločnosť absolútnou prioritou. Kým 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. Posledný model podľa poznámky redakcie zvládne viac ako 90 jazykov.
Model V3 dokázal rozumieť aj zvukom, ako je kašeľ, smiech či povzdych, a to naprieč sedemdesiatimi jazykmi. Spoločnosť predstavila aj model V4, najnovší expresívny model prevodu textu na reč.
Pri generovaní výstupu ponúka ElevenLabs profesionálne hlasové klony. Potrebuje približne dve hodiny nahrávok daného hlasu a na ich základe dokáže vytvoriť kvalitný syntetický výstup, ktorý zachováva nuansy a charakteristiky hlasu naprieč rôznymi jazykmi.
Pri konverzačnej umelej inteligencii a inteligentných agentoch využíva spoločnosť kaskádový prístup. Ten zahŕňa prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov a spracovanie tónu až po prevod textu späť na reč. Práve vďaka porozumeniu kontextu dokáže model pri generovaní hlasu obsiahnuť širokú škálu emócií – zakašľať, zasmiať sa alebo zaspievať.
V otázke dabingu je podľa zástupcu ElevenLabs umelá inteligencia už dostatočne kvalitná pre televízny dabing. Ako príklad uviedol hlas Sylvestra Stalloneho vygenerovaný pre francúzsky film. Dabingoví herci však podľa neho zostanú dôležití – 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, že ide o AI agenta, niektorí ľudia reagovali úplne ticho a rozhodli sa neodpovedať. Podľa zástupcu spoločnosti to mohlo byť spôsobené prvou interakciou s takouto technológiou a prekvapením z prirodzenosti hlasu.
Volajúcemu je vždy dobré povedať, že ide o umelú inteligenciu, a to aj z hľadiska legislatívy a európskych pravidiel. Dôležité je tiež dať ľuďom možnosť vybrať si, či chcú systém využiť. Príkladom je hlásenie, ktoré volajúcemu ponúkne čakanie v rade alebo využitie AI agenta na rýchlejšie vyriešenie problému.
Dnešní agenti sú už veľmi inteligentní. Ak volajúci požiada, aby agent hovoril pomalšie, agent to pochopí a dokáže svoj výstup prispôsobiť požiadavkám volajúceho. Platforma je multimodálna – okrem hlasu zvládne aj fotografiu alebo text, takže ak zákazník nevie technický problém presne opísať, môže ho odfotiť.
Pri aplikáciách v reálnom čase sú kľúčovými faktormi latencia a determinizmus, teda dôkladné zmapovanie zákazníckych procesov a správne nastavenie architektúry. Ak napríklad volanie do CRM systému trvá dve sekundy, možno počas tohto času prehrať hudbu alebo vetu typu „Dajte mi sekundu“, kým sa na pozadí vygeneruje odpoveď.
Umelá inteligencia veľmi dobre vníma kontext a dokáže porozumieť prichádzajúcej frustrácii. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. Záleží pritom na tom, ako sa správanie agenta pre tieto prípady nakonfiguruje.
Všetky najväčšie implementácie sú založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek. Ak zákazník v ktoromkoľvek okamihu požiada o živého operátora, je okamžite prepojený a operátorovi sa odovzdá celý kontext doterajšej konverzácie.
Call centrá možno 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. Ľudia tak môžu venovať svoj čas riešeniu naozaj zložitých problémov.
Čo sa týka konkurencie globálnych technologických lídrov, ElevenLabs má podľa svojho zástupcu iba jednu prioritu – konektivitu a vývoj zvukových modelov. Veľké spoločnosti ako Google, Microsoft či OpenAI majú obrovské množstvo vzájomne si konkurujúcich priorít, zatiaľ čo ElevenLabs môže investovať prostriedky výlučne do vývoja modelov na špičkovej úrovni a do aplikačnej vrstvy, ktorá zabezpečí ich použiteľnosť.
