Którym głosem ma mówić agent AI?

Głos wybiera się na prawdziwej rozmowie

Kilka tygodni później Państwa nowy agent głosowy AI dzwoni do klientki głosem wybranym na spotkaniu. Klientka stoi na przystanku, obok przejeżdżają samochody, a głos zaczyna czytać termin dostawy. Zanim głos dojdzie do adresu, klientka się rozłącza.

Przy wyborze głosu AI do rozmów z klientami warto słuchać go tak, jak usłyszą go klienci: przez telefon, przez całą rozmowę i w najtrudniejszych momentach. Decydować powinno to, czego później nie da się zmienić, czyli charakter głosu. Wymowę i tempo można ustawić potem. Na koniec dwa najlepsze głosy warto puścić na tych samych prawdziwych rozmowach i zostawić ten, przy którym więcej klientów zostaje na linii i zgadza się na to, o co prosi agent, choćby na termin dostawy.

Dlaczego głos z demo wprowadza w błąd?

Strona demo ma pokazać każdy głos z jak najlepszej strony. Każdy głos syntezy mowy czyta na niej zdanie demo wybrane przez dostawcę, trwające około sześciu sekund i czyste jak z nagrania studyjnego. Na spotkaniu słychać je w cichej sali.

Klient słyszy głos Państwa agenta AI przez linię telefoniczną, która oddaje z niego mniej niż słuchawki albo głośniki laptopa, a przy tym może stać na ulicy albo w sklepie. Rozmowa trwa dwie, trzy minuty, a zamiast wypolerowanego zdania głos czyta dane samego klienta: nazwisko, okno czasowe, adres i numer zamówienia. Kiedy klient powie „Słucham?”, głos musi powiedzieć to jeszcze raz.

Niektóre głosy, które wygrywają na spotkaniu, przegrywają właśnie na tej linii. Jasny głos, w którym słychać dużo oddechu, na laptopie brzmi wspaniale, a w telefonie robi się cienki, zwłaszcza na dworze. Głos lektora, taki jak w reklamach radiowych i audiobookach, może być przez telefon zupełnie wyraźny i mimo to brzmieć jak nagranie, a przy nagraniach ludzie odkładają słuchawkę.

Głos to tylko część różnicy między demo a rozmową na żywo. Resztę opisujemy w artykule o agentach, które przechodzą demo, a zawodzą w rozmowach na żywo.

Jak powinien brzmieć głos?

Najpierw język. Głos powinien brzmieć jak ktoś, dla kogo język Państwa klientów jest ojczysty, i mówić tą odmianą regionalną, której klienci używają na co dzień. Portugalski z Brazylii i portugalski z Portugalii od pierwszych słów brzmią inaczej, więc głos, który pasuje do klientów w São Paulo, jest złym wyborem dla klientów w Lizbonie, choćby brzmiał świetnie.

Potem warto pomyśleć o konsultancie, przy którym klienci najchętniej zostają na linii, i poszukać zwyczajnego głosu, takiego, jakim mówi ktoś z Państwa zespołu, a nie lektor. Niezależnie od wybranego głosu warto ustawić równe tempo, które odrobinę zwalnia przy godzinach i liczbach, żeby klient zdążył je zapisać.

Głos musi też pasować do persony, czyli do imienia i sposobu mówienia, z jakimi agent się przedstawia. Agent, który przedstawia się jako Mia, potrzebuje kobiecego głosu. Naturalne brzmienie nie oznacza udawania człowieka. Tam, gdzie rynek tego wymaga, agent już w powitaniu mówi, że jest AI, niezależnie od tego, jakim głosem mówi.

Które momenty warto sprawdzić?

Weźmy [sklep], internetowy sklep meblowy. Sklep, osoby, panel, wyniki i rozmowy opisane w tym artykule to przykład, a nie prawdziwe dane. Dzień przed każdą dostawą agent AI w [sklep] dzwoni do klienta, żeby potwierdzić okno czasowe i adres. Lena, która kieruje obsługą klienta w [sklep], ma krótką listę trzech głosów ze strony demo dostawcy, wszystkie kobiece, bo agent przedstawia się jako Mia. Na spotkaniu wszystkim najbardziej podobał się Głos C, ten jasny, w którym słychać dużo oddechu.

Warto zacząć, tak jak Lena, od rozmowy, którą agent prowadzi najczęściej. Lena rozpisuje rozmowę o dostawie w [sklep] odrobinę dłużej niż zwykle, tak żeby trwała około trzech minut i mieściła wszystkie trudne momenty. Tę rozmowę testową odtwarza potem w każdym z głosów na własnym telefonie komórkowym, raz w biurze i raz na ulicy.

Rozmowa testowa zaczyna się od słów „Dzień dobry, z tej strony Mia, asystentka AI w [sklep].” Mia upewnia się, że rozmawia z panią Nguyen, której trudne nazwisko pochodzi z listy klientów [sklep]. Następnie mówi, że sofa przyjedzie „jutro, w czwartek, między 9:00 a 12:00” pod adres ul. Lipowa 14. Numer zamówienia Mia czyta w dwóch grupach, 4471 2093. Klientka mówi „Słucham?”, więc Mia czyta go jeszcze raz, wolniej. Potem klientka prosi o dostawę po południu, ale jutrzejsze popołudnie jest już zajęte, więc Mia przeprasza i proponuje poniedziałek między 13:00 a 16:00. Klientka się zgadza, Mia powtarza dzień, okno czasowe i adres, i obie się żegnają.

Zdanie demo trwa około sześciu sekund, mniej więcej tyle co powitanie. Na spotkaniu głosy oceniono na podstawie tego jednego momentu, a pozostałych siedmiu nikt nie usłyszał.

Jak ocenić krótką listę głosów?

Lena zbiera panel odsłuchowy z pięciu osób. Poza nią samą są to dwaj konsultanci, którzy na co dzień rozmawiają z klientami [sklep], koordynator dostaw, który wie, na co skarżą się klienci, i jedna osoba spoza projektu. Słuchają w ciemno Głosu A, Głosu B i Głosu C, bez nazw dostawców i bez cen. Każda z tych osób odsłuchuje całą rozmowę testową na telefonie i przy każdym głosie odpowiada na pięć pytań, dając od 1 do 5 punktów.

Wszystkie trzy głosy czytają rozmowę testową z tymi samymi ustawieniami, w tym samym tempie i z tym samym grupowaniem liczb, więc każda różnica, którą słyszy panel, pochodzi od samego głosu. W tabeli „Jak panel ocenił trzy głosy” każda komórka to suma punktów od pięciu słuchaczy, więc w komórce może być od 5 do 25 punktów, a w sumie końcowej od 25 do 125.

Głos C, faworyt ze spotkania, w telefonie wypadł najgorzej, zdobywając 75 ze 125 punktów. Najsłabiej z całej trójki oceniono go w pytaniach o to, czy łatwo za nim nadążyć przez telefon (12 z 25) i czy liczby i godziny są wyraźne (13). Jasność, która na laptopie brzmiała tak czysto, po drodze przez linię telefoniczną zrobiła się cienka.

Głos A, głos lektora z krótkiej listy, był z trójki najwyraźniejszy przy liczbach i godzinach (21 z 25), a w trzeciej minucie wypadł najsłabiej (11). W pytaniu o to, czy brzmi jak ktoś stąd, dostał tylko 14, a dwie osoby dopisały przy nim „brzmi jak reklama”.

Głos B zdobył 103 ze 125 punktów i w czterech z pięciu pytań był pierwszy. Głos A wyprzedził go tylko przy liczbach i godzinach, 21 z 25 wobec 20.

Wiersz z nazwiskami i marką wyszedł prawie po równo, 18, 19 i 18 z 25, bo wszystkie trzy głosy w ten sam sposób źle wymówiły nazwisko pani Nguyen.

Do testu na żywo Lena bierze dwa głosy z najwyższą sumą, Głos B i Głos A. Dwie osoby usłyszały w Głosie A reklamę, a to, czy klienci rozłączają się przy nim, pokażą dopiero prawdziwe rozmowy.

Co da się poprawić później?

Wybierać warto według charakteru głosu, bo ustawienia da się zmienić później w każdym głosie. Reguły wymowy określają, jak głos mówi nazwiska, nazwy miejsc, Państwa markę i nazwy produktów, a ustawieniami są też tempo, pauzy i sposób grupowania liczb oraz numerów zamówień.

Dlatego wiersz z nazwiskami w tabeli Leny nie powinien o niczym rozstrzygać. Nazwisko wymówiono źle, ale jedna reguła ustawia je poprawnie w każdym z trzech głosów. O tym, jak pisać takie reguły, mówi nasz artykuł o słownikach wymowy nazwisk, marek i produktów.

Charakter głosu zostaje z nim na stałe. To, jak brzmi przez linię telefoniczną, czy brzmi jak lektor i czy w trzeciej minucie nadal łatwo go słuchać, nie zmienia się, cokolwiek się ustawi. Spowolniony Głos C nie zabrzmi w telefonie pełniej, a żadne ustawienie nie sprawi, że Głos A przestanie brzmieć jak reklama.

Przy którym głosie klienci zostają?

Przez dwa tygodnie do każdego klienta z listy dostaw [sklep] dzwoni losowo Głos A albo Głos B, z tym samym skryptem i w tych samych godzinach, więc zmienia się tylko głos. Pod koniec dwóch tygodni każdy głos ma za sobą 400 odebranych rozmów. Wcześniej Lena niczego nie porównuje, bo kilkadziesiąt rozmów na głos to za mało.

Każdą odebraną rozmowę Lena zalicza do jednego z trzech wyników, które razem dają 400. Jeśli klient rozłączył się w ciągu pierwszych dziesięciu sekund, jest to wczesne rozłączenie, a jeśli zgodził się na okno czasowe, planowane albo nowe, potwierdził termin. Każde inne zakończenie, na przykład gdy klient poprosi o rozmowę z człowiekiem, połączenie się urwie albo termin nie zostanie ustalony, trafia do kolumny „Inne”. Lena liczy też klientów, którzy co najmniej raz poprosili o powtórzenie. Klient może to zrobić i mimo to potwierdzić termin, dlatego kolumna „Poprosiło o powtórzenie” nie wchodzi w te 400.

Z Głosem B termin potwierdziło 338 z 400 klientów, z Głosem A 296, czyli o 42 klientów więcej zgodziło się na termin dostawy. Głos B miał też mniej wczesnych rozłączeń, 44 wobec 72, a 18 jego rozmów zakończyło się w inny sposób, wobec 32 przy Głosie A.

Każdy klient, który poprosił o powtórzenie, został na linii dłużej niż pierwsze dziesięć sekund, dlatego uczciwe porównanie dotyczy właśnie ich: 36 z 328 przy Głosie A wobec 41 z 356 przy Głosie B, czyli mniej więcej taki sam odsetek. Za głosem lektora nadążali podobnie dobrze, a mimo to więcej klientów rozłączyło się przy Głosie A już w pierwszych dziesięciu sekundach.

Tym razem klienci zgodzili się z panelem, a Lena zostawia Głos B we wszystkich rozmowach o dostawie w [sklep].

Gdzie pomaga DRING?

W speech core DRING każda marka wybiera z biblioteki starannie dobrany głos dla każdego języka, z personą określającą tempo, formalność i ton, korektą akcentu oraz słownikiem wymowy nazwisk, miejsc i nazw produktów. Sformułowania, personę i głos zatwierdzają Państwo, zanim agent wykona pierwsze połączenie.

O tym, które zdanie otwierające, jaki ton i który głos się sprawdzają, decydują prawdziwe rozmowy wychodzące, a nie spotkanie. DRING pozwala uruchomić dwa głosy obok siebie w tej samej kampanii wychodzącej i porównać wyniki. Próbki głosów na naszej stronie głównej to demonstracje procesów DRING. Warto je odsłuchać na telefonie, a nie na laptopie.