AI voice agent pro telefonickou podporu e-shopu
Hlasový agent je řetězec přepisu řeči, jazykového modelu, syntézy hlasu a telefonie. Každý článek přidává zpoždění a může selhat. Ukážeme, jak ho poskládat, aby zvládl češtinu, data z e-shopu i předání operátorovi.
Hlasový agent vypadá zvenku jednoduše. Zákazník zavolá, AI zvedne telefon a odpoví. Uvnitř je to ale řetězec několika systémů, které musí proběhnout za zlomek sekundy. Přepis řeči, jazykový model, dotaz do e-shopu, syntéza hlasu a telefonní linka. Každý článek přidává zpoždění a každý může selhat.
Tento článek je o technice. Jak AI zapojit do provozu vedle operátorů a jak spočítat návratnost, rozebíráme v článku AI call centrum: nasazení a návratnost. Tady se podíváme, z čeho se voice agent skládá, jak vybrat platformu a na co si dát pozor u češtiny, telefonie a dat.
Dvě architektury: řetězec, nebo speech-to-speech
Klasický hlasový agent skládá tři vrstvy:
- STT (speech-to-text). Převede řeč volajícího na text a pozná, kdy domluvil.
- LLM. Jazykový model rozhodne, co odpovědět a jaký nástroj zavolat.
- TTS (text-to-speech). Převede odpověď na hlas.
Druhá možnost jsou speech-to-speech modely, které zpracují zvuk přímo, bez mezikroku přes text. Typický příklad je OpenAI gpt-realtime. Podle OpenAI přesněji volá nástroje, umí doslova přečíst povinné sdělení a zopakovat čísla a kódy.
| Řetězec STT → LLM → TTS | Speech-to-speech | |
|---|---|---|
| Latence | Součet tří vrstev, nutná optimalizace | Obvykle nižší |
| Výběr komponent | Libovolný přepis, model i hlas | Model a hlas od jednoho poskytovatele |
| Kontrola nad textem | Plná, každý krok je v textu | Menší, přepis vzniká vedle |
| Intonace a přirozenost | Závisí na hlasu | Model slyší tón volajícího |
| Cena | Součet komponent | Po audio tokenech |
Pro e-shop často vyhraje řetězec. Máte kontrolu nad tím, co agent říká, můžete vyměnit jednotlivé části a hlas v češtině vybrat podle kvality, ne podle toho, co nabízí jeden poskytovatel. Speech-to-speech dává smysl tam, kde je nejdůležitější plynulost rozhovoru. Obě varianty ale testujeme na vašich hovorech.
Latence: proč rozhoduje každá stovka milisekund
Výzkum Stivers a kol. (PNAS, 2009) ukázal, že v rozhovoru napříč deseti jazyky lidé nejčastěji odpovídají do 200 ms od konce otázky. Na tohle tempo jsme zvyklí. Hlasový agent ho nedosáhne, ale pauza delší než zhruba sekunda už působí nepřirozeně a volající začne mluvit znovu.
Kde se čas ztrácí:
- Detekce konce věty. Agent musí poznat, že volající domluvil, a ne jen udělal pauzu. OpenAI k tomu nabízí režim semantic VAD, který odhaduje konec promluvy podle obsahu, ne jen podle ticha. Méně pak skáče do řeči.
- Jazykový model. Větší model odpovídá chytřeji, ale pomaleji. Pro hlas volíme rychlejší modely a krátké odpovědi.
- Syntéza hlasu. ElevenLabs uvádí u modelu Flash v2.5 zhruba 75 ms, jde ale jen o čas samotného modelu. Celková latence závisí na síti a umístění serverů.
- Volání nástrojů. Dotaz do e-shopu nebo k dopravci může trvat sekundu i déle. Agent proto nejdřív řekne „moment, dívám se na vaši objednávku“ a teprve pak čeká na data.
Užitečná je i možnost přerušení. Když volající skočí agentovi do řeči, agent musí přestat mluvit a poslouchat.
Čeština v praxi
Čeština je pro hlasové agenty náročnější než angličtina. Skloňování, čísla objednávek diktovaná po skupinách, názvy značek, adresy a jména. ElevenLabs podporuje češtinu i v modelu Flash v2.5 pro agenty. Pro přepis řeči podporují češtinu například Azure Speech nebo Deepgram Nova-3. Přehled najdete v hesle Voice AI platformy.
Před nasazením proto testujeme na reálných nahrávkách:
- výslovnost značek a názvů produktů,
- rozpoznání čísel objednávek, PSČ a telefonních čísel,
- hovory z auta a z venku s hlukem v pozadí,
- volající, kteří mluví rychle nebo nářečím.
Kde přepis selhává, pomůže agentovi zadat, aby číslo zopakoval a nechal si ho potvrdit.
Platformy a telefonie
Voice agenta nemusíte stavět od nuly. Hlavní možnosti (ceníky k 9/2026, aktuální ceník ověřte u poskytovatele):
| Platforma | Co nabízí | Cena platformy |
|---|---|---|
| ElevenLabs Agents | Vlastní hlasy a přepis, SIP trunk, přepojení hovoru | 0,08 USD/min, model a telefonie zvlášť |
| Vapi | Skládání libovolných komponent, vlastní SIP trunk | 0,05 USD/min, komponenty zvlášť |
| Retell AI | Hotový hlasový engine, 20 souběžných hovorů v ceně | od 0,07 USD/min, model a telefonie zvlášť |
| OpenAI Realtime API | Speech-to-speech model s připojením přes SIP | 32 USD za milion vstupních a 64 USD za milion výstupních audio tokenů |
| Daktela | Český contact center software s AI voiceboty | individuálně |
Podle nezávislých srovnání vychází kompletní sestava zhruba na 0,07–0,30 USD za minutu podle zvolených komponent.
Telefonní linku připojujeme přes SIP trunk. To je služba, která převede hovor na datový provoz a předá ho platformě. Můžete použít svého českého operátora nebo globálního poskytovatele. Pozor na regulatorní požadavky: například u Twilia vyžadují místní česká čísla fyzickou adresu v oblasti předvolby, P. O. Box nestačí. Často je nejjednodušší ponechat stávající číslo a ústřednu a hovory do agenta jen přesměrovat.
Napojení na data a předání operátorovi
Agent bez dat umí jen odříkat obchodní podmínky. Užitečný je, až když umí sáhnout do systémů. Každý přístup je samostatný nástroj s pevnými pravidly:
- Vyhledání objednávky podle čísla a telefonu nebo e-mailu. Údaje sdělí až po ověření.
- Stav zásilky přes API dopravce.
- Založení tiketu v helpdesku, typicky přes webhook.
- Obecné dotazy na dopravu, vrácení nebo reklamace ze znalostní báze přes RAG, stejné jako v chatu.
Stejně důležité je předání operátorovi. Hovor přepojíme přes SIP REFER nebo přes funkce platformy. Rozdíl je v tom, co operátor dostane. Studené přepojení jen předá hovor. Teplé přepojení předá i shrnutí, takže se zákazník nemusí opakovat. Pozor na detaily: ElevenLabs například u přepojení přes SIP REFER nepodporuje zprávu pro operátora při teplém přepojení, ta funguje jen s nativní integrací Twilia. Shrnutí pak posíláme do helpdesku nebo CRM zvlášť. Daktela předává operátorovi přepis a kontext přímo v rámci svého contact centra.
AI Act, nahrávání a GDPR
Transparentnost. Od 2. srpna 2026 platí čl. 50 AI Act. Volající musí vědět, že mluví s AI, pokud to není zřejmé z okolností. Agent se proto hned v úvodu představí jako virtuální asistent.
Nahrávání a přepisy. Každý voice agent technicky pracuje s přepisem řeči a většina platforem hovory ukládá. Záznam i přepis jsou osobní údaje. Volající musí být o nahrávání informovaný předem a zpracování musí mít právní základ podle GDPR. Potřebujete stanovenou dobu uchování, pravidla přístupu a zpracovatelskou smlouvu s poskytovatelem platformy. Víc v článku AI a GDPR.
Hranice agenta. Agent nemá slibovat slevy ani výjimky z obchodních podmínek. Tyhle situace předává člověku.
Jak na to prakticky
Technický checklist před spuštěním:
- Scénáře. Vyberte dvě až tři témata s odpovědí v datech, typicky stav objednávky a doprava.
- Architektura. Rozhodněte mezi řetězcem a speech-to-speech podle toho, co je důležitější: kontrola, nebo plynulost.
- Test češtiny. Pusťte agenta na vzorek reálných nahrávek a zkontrolujte čísla, značky a adresy.
- Měření latence. Měřte čas od konce věty volajícího po první slovo agenta, včetně volání nástrojů.
- Nástroje a ověření. Každý nástroj s pevnými pravidly, osobní údaje až po ověření volajícího.
- Předání. Otestujte přepojení na operátora i s přenosem shrnutí.
- Úvodní hláška. Představení jako virtuální asistent a informace o nahrávání.
Voice agenta napojeného na e-shop a helpdesk stavíme obvykle 4–8 týdnů podle počtu scénářů a napojení. Podrobnosti najdete na stránce AI voice agent, cenu implementace připravíme po konzultaci. Pokud chcete AI zapojit do celé telefonní linky vedle operátorů, podívejte se na AI call centrum.
Potřebujete s tím pomoct?