Kaip veikia AI balso agentas telefonu? Paprastas gidas nuo skambučio iki registracijos

Trumpas atsakymas: AI balso agentas telefonu veikia grandine iš kelių žingsnių. Jis atsiliepia į skambutį, kalbos atpažinimo technologija (STT) paverčia jūsų žodžius tekstu, kalbos modelis (LLM) kartu su verslo žinių baze supranta prašymą ir suformuluoja atsakymą, kalbos sintezė (TTS) paverčia tą atsakymą natūraliu balsu, o prireikus agentas atlieka veiksmą — pavyzdžiui, įrašo rezervaciją į kalendorių. Viskas vyksta realiu laiku, pokalbio metu.

Šiame gide paprastai, be techninio žargono, išskaidome kiekvieną tos grandinės grandį: kaip agentas girdi, kaip supranta, iš kur ima atsakymus, kaip kalba lietuviškai ir ką realiai gali padaryti pokalbio metu. Taip pat paaiškiname, kuo jis skiriasi nuo seno telefono meniu (IVR).

Sąžiningumo pastaba: mes patys kuriame AI balso agentus, todėl šiame straipsnyje aiškiai atskiriame, kur pateikiame bendrą technologijos paaiškinimą su išoriniais šaltiniais, o kur — savo pasiūlymą. Skaičiai apie žmogaus pokalbio ritmą ir industrijos orientyrus yra iš cituojamų tyrimų, o ne apie mūsų konkretų produktą.

Kaip veikia AI balso agentas telefonu?

AI balso agentas yra dirbtinio intelekto programa, kuri atsiliepia telefonu, natūralia kalba supranta skambinantįjį ir gali atlikti veiksmus. Techniškai ji veikia „kaskadine“ grandine iš trijų modelių: kalbos atpažinimas (STT) paverčia kalbą tekstu, kalbos modelis (LLM) tekstą apdoroja, o kalbos sintezė (TTS) atsakymą paverčia garsu (šaltinis: LiveKit, AssemblyAI).

Šią grandinę patogu įsivaizduoti kaip ciklą „girdi → supranta → atsako → veikia“. Praktikoje viskas vyksta srautu, o ne griežtai viena po kito: kalbos atpažinimas siunčia dalinį tekstą kalbos modeliui dar žmogui kalbant, o sintezė pradeda tarti atsakymą, dar neturėdama viso sakinio. Toks persidengimas ir leidžia pokalbiui jaustis sklandžiam, be ilgų pauzių (šaltinis: LiveKit).

Visą kelią nuo skambučio iki rezervacijos galima suskaidyti į penkis žingsnius:

Kiekvieną žingsnį toliau paaiškiname atskirai.

Kaip AI balso agentas supranta, ką sako klientas?

Agentas supranta kalbą per kalbos atpažinimą (STT). Kalbos atpažinimas, arba STT (angl. speech-to-text), yra technologija, kuri žmogaus tariamus žodžius realiu laiku paverčia tekstu, kurį toliau gali apdoroti kalbos modelis. Šiuolaikinis atpažinimas dirba „srautu“: jis grąžina dalinius rezultatus dar žmogui kalbant, todėl agentas pradeda apdoroti mintį anksčiau, nei pašnekovas ją baigia (šaltinis: LiveKit).

Svarbiausi šio žingsnio parametrai — transkripcijos tikslumas (kiek žodžių atpažinta teisingai), atsparumas triukšmui ir tai, ar sistema veikia srautu, ar laukia viso sakinio. Telefone tai ypač svarbu: garsas suspaustas, fone būna triukšmo, o žmonės kalba taisyklingai ne visada. Kaip tik dėl to lietuvių kalbos atpažinimas telefone yra atskiras techninis uždavinys, o ne „įjungiama funkcija“.

Iš kur agentas žino atsakymus?

Atsakymus agentas formuoja iš dviejų dalykų: didžiojo kalbos modelio (LLM) ir jūsų verslo žinių bazės. Didysis kalbos modelis yra dirbtinio intelekto modelis, kuris supranta teksto prasmę ir generuoja atsakymus natūralia kalba — jis dirba pagal reikšmę, o ne pagal fiksuotą raktažodžių sąrašą. Žinių bazė yra struktūruota jūsų informacijos rinktinė (paslaugos, kainos, darbo laikas, taisyklės), iš kurios agentas ima konkrečius faktus (šaltinis: LiveKit).

Toks derinys svarbus dėl tikslumo. Kalbos modelis moka natūraliai kalbėti, bet nežino jūsų verslo specifikos — kiek kainuoja procedūra, kada dirbate, kokios taisyklės. Ta informacija paimama iš žinių bazės ir „paduodama“ modeliui, kad atsakymas būtų ir sklandus, ir teisingas. Skirtingai nei senos sistemos, agentas išlaiko pokalbio kontekstą: prisimena, kas jau pasakyta, tvarko papildomus klausimus ir gali užbaigti visą užduotį per vieną skambutį (šaltinis: Quiq, Retell AI).

Kaip agentas kalba lietuviškai?

Agentas kalba per kalbos sintezę (TTS). Kalbos sintezė, arba TTS (angl. text-to-speech), yra technologija, kuri tekstinį modelio atsakymą paverčia garsu — natūraliai skambančiu balsu. Kaip ir atpažinimas, sintezė dirba srautu: garsą pradeda generuoti iš pirmų žodžių, nelaukdama viso sakinio, todėl atsakymas prasideda greičiau (šaltinis: LiveKit).

Čia slypi esminis lietuviško agento kokybės klausimas: kieno technologija atpažįsta ir taria lietuvių kalbą. Daug sprendimų remiasi užsienio platformomis, kuriose lietuvių kalba — antraeilė, todėl tarimas, kirčiavimas ir intonacija nukenčia. Inovita balso agentas remiasi nuosava lietuviška kalbos atpažinimo ir sintezės technologija — mes patys ją treniruojame, o ne perpakuojame užsienio apvalkalo. Tai reiškia, kad tarimo kokybę galime tikslinti patys, o ne laukti, kol tai padarys išorinė platforma. Kaip skamba realus balsas, geriausia įvertinti ausimis — pasiklausykite demonstracijos.

Kaip agentas žino, kada kalbėti, o kada klausytis?

Agentas sprendžia, kada kalbėti, atskira „pokalbio valdymo“ logika. Balso aktyvumo aptikimas (VAD) skiria kalbą nuo tylos; „endpointing“ nusprendžia, ar žmogus baigė mintį; o „barge-in“ leidžia pertraukti agentą — jei žmogus prabyla agentui kalbant, gerai suprojektuota sistema tuoj pat nutildo savo balsą ir pradeda klausytis (šaltinis: LiveKit, Gradium).

Kodėl tai svarbu? Žmogaus pokalbio ritmas telefone yra labai greitas, o tyla nieko nedengia — nėra „rašo…“ indikatoriaus. Tyrime „Universals and cultural variation in turn-taking in conversation“ (Stivers ir kt., 2009, žurnalas PNAS), ištyrusiame pokalbių eiliškumą 10 kalbų, nustatyta, kad vidutinis atsako poslinkis yra apie +208 milisekundės, o kalbų vidurkiai svyruoja nuo +7 ms (japonų) iki +469 ms (danų). Industrijoje kartais minima „300 ms taisyklė“: žmonės atsako tikisi maždaug per 300 ms, o pauzė virš 500 ms jau ima jaustis nejaukiai (šaltinis: AssemblyAI). Todėl srautinių balso sistemų bendras tikslas — suvokiama delsa mažiau nei viena sekundė (šaltinis: LiveKit). Šie skaičiai yra bendri industrijos ir mokslo orientyrai, o ne matavimai apie konkretų Inovita produktą.

Ką agentas gali padaryti pokalbio metu?

Agentas gali ne tik atsakyti į klausimus, bet ir atlikti realų veiksmą per pokalbį — pavyzdžiui, patikrinti laisvus laikus ir įrašyti rezervaciją į kalendorių. Tai veikia per mechanizmą, vadinamą funkcijų iškvietimu (angl. tool calling): kalbos modelis interpretuoja prašymą ir iškviečia išorinę programą per API, o rezultatą įtraukia į pokalbį (šaltinis: LiveKit).

Praktinį pavyzdį yra aprašęs Microsoft: balso asistentas interpretuoja prašymą užsiregistruoti, per API užklausia gyvą kalendorių dėl laisvų langų ir patvirtina rezervaciją (šaltinis: Microsoft Tech Community). Tipiškai AI balso agentas pokalbio metu gali:

• Atsakyti iš žinių bazės — darbo laikas, kainos, paslaugos, adresas, taisyklės.
• Patikrinti laisvus laikus realiu laiku kalendoriuje (Google Calendar, Outlook / Microsoft 365, Cal.com).
• Įrašyti, perkelti ar atšaukti rezervaciją tiesiai į kalendorių.
• Užfiksuoti kliento duomenis ar atnaujinti kortelę CRM sistemoje per API.
• Persiųsti skambutį žmogui, kai klausimas sudėtingas ar jautrus, kartu perduodant pokalbio kontekstą.

Iliustracinis pavyzdys (ne realaus skambučio įrašas):

Skambinantysis: „Norėčiau užsiregistruoti veido procedūrai kitą savaitę, geriausiai ketvirtadienio popietę.“

Agentas: „Ketvirtadienį turime laisvą 14:30 ir 16:00. Kuris jums patogesnis?“

— Agentas realiu laiku patikrina kalendorių ir, jums patvirtinus, įrašo rezervaciją.

Esmė paprasta: rezervacija atsiranda tikrame kalendoriuje iškart, dar pokalbio metu, o ne vėliau, kai kažkas rankiniu būdu perrašo žinutę.

Kuo AI balso agentas skiriasi nuo įprasto atsakiklio (IVR)?

Pagrindinis skirtumas — agentas supranta laisvą kalbą ir atlieka užduotį, o IVR tik nukreipia skambutį. IVR (interaktyvi balso atsakyklė) yra sena telefono meniu sistema, kur skambinantysis renkasi variantus spausdamas klavišus arba tardamas raktažodžius pagal fiksuotą scenarijų. AI balso agentas vietoj meniu leidžia kalbėti natūraliai ir pats atlieka veiksmą — pavyzdžiui, užregistruoja (šaltinis: Retell AI, Quiq).

Skaičiai 30–40 % ir 60–80 % yra iš Retell AI ir taikomi „gerai apibrėžtuose scenarijuose“ (šaltinis: Retell AI). Praktiškai tai reiškia, kad senas atsakiklis dažniausiai tik perduoda skambutį toliau, o gerai sukonfigūruotas agentas didesnę dalį tipinių skambučių išsprendžia iki galo.

Kiek kainuoja AI balso agentas su lietuviška technologija?

Inovita AI balso agentas prasideda nuo plano „Startas“ — 290 €/mėn. plius 990 € vienkartinis diegimas. Į jį įeina atsiliepimas 24/7 ir viena kalendoriaus integracija (Google Calendar, Cal.com arba Outlook / Microsoft 365). Didesnės apimties poreikiams skirtas planas „Augimas“ — 590 €/mėn. plius 1 900–4 000 € diegimas (su CRM integracija), o individualūs projektai — nuo 4 000 €. Pokalbių minučių neskaičiuojame.

Kadangi kalbos atpažinimas ir sintezė yra nuosavi, nemokame užsienio platformoms už kiekvieną pokalbio minutę ir šio mokesčio neperkeliame jums — mėnesinė kaina nepriklauso nuo to, kiek klientų paskambino. Naujiems klientams siūlome 14 dienų bandomąjį laikotarpį su 90 € paruošimo mokesčiu. Detalią sandarą rasite kainodaros puslapyje, o daugiau apie patį agentą — AI balso agento puslapyje.

Dažniausi klausimai (DUK): kaip veikia AI balso agentas?

• Kaip AI balso agentas supranta lietuvių kalbą?

  +

  Agentas supranta kalbą per kalbos atpažinimą (STT) — technologiją, kuri žmogaus tariamus žodžius realiu laiku paverčia tekstu. Tada didysis kalbos modelis kartu su verslo žinių baze supranta prašymo prasmę ir suformuluoja atsakymą. Lietuvių kalbos telefone atpažinimo kokybė priklauso nuo naudojamos technologijos; Inovita naudoja nuosavą lietuvišką atpažinimą ir sintezę.

• Ar AI balso agentas gali užregistruoti klientą į kalendorių?

  +

  Taip. Per funkcijų iškvietimą (tool calling) agentas per API prisijungia prie kalendoriaus, patikrina laisvus laikus realiu laiku ir įrašo rezervaciją dar pokalbio metu. Palaikomi kalendoriai — Google Calendar, Outlook / Microsoft 365 ir Cal.com. Rezervacija atsiranda tikrame kalendoriuje iškart, o ne vėliau perrašant rankiniu būdu.

• Kuo AI balso agentas skiriasi nuo IVR meniu?

  +

  IVR (interaktyvi balso atsakyklė) yra fiksuotas telefono meniu, kur renkatės variantus spausdami klavišus, ir jis daugiausia nukreipia skambutį. AI balso agentas leidžia kalbėti natūraliai, supranta prašymo prasmę, išlaiko pokalbio kontekstą ir pats atlieka užduotį — pavyzdžiui, užregistruoja klientą ar atsako iš žinių bazės.

• Ar žmogus supranta, kad kalba su dirbtiniu intelektu?

  +

  Taip — gerai suprojektuotas agentas pokalbio pradžioje prisistato kaip automatinis (dirbtinio intelekto) asistentas, o ne apsimeta žmogumi. Skaidrumas yra gera praktika ir prisideda prie pasitikėjimo. Sudėtingus ar jautrius pokalbius agentas gali persiųsti gyvam darbuotojui, kartu perduodamas jau surinktą pokalbio kontekstą.

• Kiek kainuoja AI balso agentas su lietuviška technologija?

  +

  Inovita AI balso agentas prasideda nuo 290 €/mėn. (planas „Startas“) plius 990 € diegimas; planas „Augimas“ — 590 €/mėn. plius 1 900–4 000 € diegimas; individualūs projektai — nuo 4 000 €. Pokalbių minučių neskaičiuojame, o kalendoriaus integracija įskaičiuota į diegimą. Naujiems klientams siūlomas 14 dienų bandomasis laikotarpis su 90 € paruošimo mokesčiu.

Norite išgirsti, kaip tai skamba?

Geriausias būdas suprasti, kaip veikia AI balso agentas — jį išgirsti. Pasiklausykite demonstracijos arba aprašykite savo situaciją ir per 24 val. darbo dienomis gaukite konkretų pasiūlymą su galutine kaina, į kurią įskaičiuota integracija su jūsų kalendoriumi.

Susiję puslapiai: AI balso agentas, Kainodara, Kontaktai.

Šaltiniai

• LiveKit — Voice Agent Architecture: STT, LLM, TTS Pipelines Explained: livekit.com
• LiveKit — Turn Detection for Voice Agents (VAD, endpointing, barge-in): livekit.com
• AssemblyAI — Voice Agent Architecture: Build STT-LLM-TTS Pipeline: assemblyai.com
• AssemblyAI — The 300ms rule: Why latency makes or breaks voice AI: assemblyai.com
• Gradium — Semantic VAD for Voice Agents: Turn Detection 2026: gradium.ai
• Stivers ir kt. (2009), PNAS 106(26):10587–10592, „Universals and cultural variation in turn-taking in conversation“, DOI 10.1073/pnas.0903616106: pnas.org
• Microsoft Tech Community — Appointment Booking Assistant (GPT-4o, Semantic Kernel, Graph API): techcommunity.microsoft.com
• Retell AI — Voice AI vs IVR: Conversational Agents Replacing Phone Trees: retellai.com
• Quiq — Voice AI vs IVR Systems: 7 Key Differences: quiq.com