基本のループ
音声認識（Speech-to-Text）が発信者の話した内容を文字に変換します。言語モデルがその意味と取るべき対応を判断し、音声合成（Text-to-Speech）が返答を読み上げます。ターン検出は、発信者が話し終えたタイミングを判断します。
各ステップでわずかな遅延が生じるため、通話を自然に感じさせるにはループ全体が高速である必要があります。
実際の発信者を理解する
発信者は台本どおりには話しません。言いよどんだり、言い直したり、東南アジアの多くの地域ではひとつの文の中で複数の言語を混ぜたりします。ボイスボットは、お客様の実際の話し方に合わせて調整する必要があります。
話すだけでなく、処理する
ボイスボットの有用性は、実行できるアクションで決まります。ワークフローや API でシステムと連携すれば、情報の確認、予約、記録の更新が可能になります。
引き継ぐタイミングを知る
優れたボイスボットは、人が対応すべき場面を見極めます。
- 依頼が複雑、または通常とは異なる
- 発信者が苛立っている、または動揺している
- 発信者が人との会話を求めている
- ポリシー上、人による判断が必要
成果を測定する
ボットが単独で完了した通話の数、通話終了の理由、通話時間、品質スコアを追跡します。通話記録を定期的に確認し、プロンプトとワークフローをチューニングしましょう。