AI v telefóne prejaví empatiu, živý operátor zostáva kľúčový

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 podrobnostiach hovorí Leander Zapheriou z ElevenLabs.

Podpora menších jazykov je pre firmu prioritou. Kým prvé modely zvládali približne 10 až 15 jazykov, neskôr sa to rozšírilo na 32 jazykov a najnovšie modely ich zahŕňajú už okolo sedemdesiat. Podľa aktuálnejšieho údaju posledný model zvládne viac ako 90 jazykov.

Model rozumie aj zvukom

Model V3 dokáže rozumieť aj zvukom, ako je kašeľ, smiech či povzdych, a to naprieč sedemdesiatimi jazykmi. Firma predstavila aj model V4, svoj najnovší expresívny model prevodu textu na reč.

Pri generovaní výstupu ponúka ElevenLabs profesionálne hlasové klony. Potrebuje približne dve hodiny nahrávok daného hlasu, na základe ktorých vytvorí syntetický výstup zachovávajúci nuansy a charakteristiky hlasu naprieč jazykmi.

Dôležitá je rýchlosť odozvy

Pri konverzačnej umelej inteligencii firma využíva kaskádový prístup, ktorý 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 a na základe výstupu zakašľať, zasmiať sa alebo zaspievať.

Dabing aj call centrá

Podľa zástupcu firmy je AI hlas dostatočne kvalitný aj pre televízny dabing. Nástroj na dabing dokáže naučiť hlas hovoriť inými jazykmi pri zachovaní pôvodných čŕt, prízvuku, intonácie a expresívnosti. Dabingoví herci by tak mohli v budúcnosti poskytovať svoje herecké schopnosti, kým hlas vytvorí umelá inteligencia.

Pri nasadení v call centrách zohráva veľkú úlohu to, ako firma technológiu zákazníkom predstaví. Pri prvých testoch, keď zákazníkov privítal hlas so slovami, že ide o AI agenta, niektorí ľudia reagovali úplne ticho. Podľa odborníka je vždy dobré volajúcemu povedať, že ide o umelú inteligenciu, a dať mu možnosť vybrať sa, či systém využije.

AI sa musí prispôsobiť človeku

Z technického hľadiska sú pri konverzácii v reálnom čase kľúčové latencia a determinizmus, teda rýchlosť generovania odpovedí a správne zmapovanie zákazníckych procesov. Firma dokáže znížiť vnímanie latencie napríklad prehratím hudby alebo vety typu „Dajte mi sekundu“, kým sa na pozadí vygeneruje odpoveď.

Umelá inteligencia dokáže vnímať kontext a rozpoznať frustráciu volajúceho. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. Ak zákazník požiada o živého operátora, systém ho prepojí a operátorovi odovzdá celý kontext doterajšej konverzácie.

Človek zostáva v slučke

Všetky najväčšie implementácie sú podľa zástupcu firmy založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek. Umelá inteligencia zvláda bežné každodenné otázky, kým tie najzávažnejšie a najzložitejšie idú priamo k človeku. Operátori sa tak môžu venovať riešeniu naozaj zložitých problémov.

Čo sa týka konkurencie, ElevenLabs sa sústreďuje výhradne na audio a komunikáciu. Kým veľkí technologickí hráči rozdeľujú zdroje medzi mnohé priority, firma môže investovať do vývoja zvukových modelov a aplikačnej vrstvy, ktorá zabezpečí hladkú integráciu do existujúcich systémov.