Voice AI platformy
Aktualizováno 22. 9. 2026
Voice AI platforma spojuje rozpoznání řeči, jazykový model a syntézu hlasu do hlasového agenta, který vede telefonní nebo webový hovor se zákazníkem v reálném čase.
Rychlá fakta
- Typ
- platformy a API pro hlasové AI agenty (pojem, ne jeden produkt)
- Cena
- platforma řádově 0,05–0,08 USD za minutu (Vapi, Retell, ElevenLabs), celkem s modelem, hlasem a telefonií typicky desítky centů USD za minutu (k 9/2026, aktuální ceník ověřte u poskytovatele)
- Časová náročnost zavedení
- řádově dny (prototyp na webu) až týdny (telefonní linka napojená na e-shop, dopravce a helpdesk)
- Náročnost integrace
- střední až vysoká — kromě napojení dat řešíte latenci, telefonii, předání hovoru operátorovi a kvalitu češtiny
- Čeština
- podporují ji např. ElevenLabs (Flash v2.5, Eleven v3), Azure Speech a Deepgram Nova-3; kvalitu je nutné otestovat na reálných hovorech
- Vhodné pro
- stav objednávky, dotazy na dopravu a vrácení, třídění hovorů, mimopracovní dobu, přepis a analýzu hovorů
Co to je
Voice AI platforma je „telefonní operátor" postavený z AI. Zákazník zavolá, platforma převede jeho řeč na text, jazykový model rozhodne, co odpovědět nebo jakou akci provést (najít objednávku, ověřit stav zásilky), a syntéza hlasu odpověď přečte. Celé to musí proběhnout rychle — pauza delší než zhruba sekunda působí nepřirozeně.
Existují dva přístupy:
- Skládaný řetězec: samostatný přepis řeči (STT), jazykový model a syntéza hlasu (TTS). Platformy jako Vapi nebo Retell řetězec orchestrují a vy si vybíráte poskytovatele pro každou část.
- Hlasový model „řeč na řeč": jeden model přijímá i vrací audio přímo, například OpenAI Realtime API (gpt-realtime). Bývá rychlejší a přirozenější v tónu, ale dává méně kontroly nad jednotlivými kroky.
Přehled platforem (k 9/2026)
| Platforma | Model účtování | Poznámka |
|---|---|---|
| ElevenLabs Agents | 0,08 USD za minutu nad rámec tarifu, jazykový model a telefonie zvlášť | vlastní hlasy, čeština v modelech Flash v2.5 a Eleven v3 |
| Vapi | 0,05 USD za minutu za platformu, STT, model, hlas a telefonie zvlášť | vysoká flexibilita, víc ladění |
| Retell AI | od 0,07 USD za minutu za hlasový engine, model a telefonie zvlášť | hotová řešení pro call centra |
| OpenAI Realtime API | účtování za audio tokeny | model řeč na řeč, levnější varianta mini |
Reálná cena minuty hovoru se skládá z platformy, přepisu, jazykového modelu, hlasu a telefonie. Nezávislé kalkulace se u běžných sestav pohybují řádově mezi 0,10 a 0,30 USD za minutu. Ceník k září 2026, aktuální ceník ověřte u poskytovatele.
Čeština. Česká řeč je pro přepis i syntézu těžší než angličtina: skloňování, volný slovosled, jména ulic a obcí, čísla objednávek. ElevenLabs, Azure Speech (české neurální hlasy) i Deepgram (Nova-3) češtinu podporují. Jak dobře zvládnou vaše zákazníky, ukáže až test na reálných nahrávkách.
Výhody a limity
Výhody
- Linka odpovídá i mimo pracovní dobu a ve špičkách, kdy lidé nestíhají.
- Opakované dotazy (kde je zásilka, jak vrátit zboží) vyřídí agent, lidé řeší složité případy.
- Každý hovor má přepis a shrnutí — podklad pro zlepšení procesů i FAQ.
Limity
- Chyby v přepisu čísel, jmen a adres. Citlivé údaje je lepší ověřit zpětným přečtením nebo SMS.
- Zákazník musí mít vždy cestu k člověku. Agent bez předání hovoru frustruje.
- Latence a výpadky řetězce více poskytovatelů.
- AI Act: od 2. 8. 2026 musí být volající informován, že mluví s AI, pokud to není zřejmé (čl. 50). Pokud platforma hlas syntetizuje, poskytovatel musí výstup označovat strojově čitelně.
- GDPR: nahrávání a přepis hovorů je zpracování osobních údajů. Potřebujete právní titul, informování volajícího, smlouvu o zpracování s poskytovatelem a pozor na přenos dat mimo EU. Klonování hlasu konkrétního člověka jen s jeho výslovným souhlasem.
Jak to řešíme v Převeďshopu
Hlasové agenty stavíme v oddělení AI a automatizace pod vedením Franka. Na přepisy a analytiku hovorů navazuje oddělení UX, analytiky a podpory.
- Analýza hovorů — z přepisů zjistíme, které dotazy se opakují a vyplatí se je automatizovat. Viz analýza hovorů.
- Test češtiny — porovnáme 2–3 sestavy (přepis, model, hlas) na vašich reálných nahrávkách.
- Napojení dat — stav objednávky z e-shopu nebo ERP, sledování zásilek, pravidla vrácení přes RAG.
- Předání člověku a pravidla eskalace, informace o AI na začátku hovoru, nastavení GDPR.
- Provoz — ladění podle přepisů, dohled nad náklady na minutu.
Detail služby najdete na stránce AI voice agent. Komplexní agenti a integrace trvají obvykle 4–8 týdnů.