Przerywanie wypowiedzi, czyli co robi asystent głosowy, gdy klient wchodzi mu w słowo

Pierwsze ułamki sekundy po wejściu w słowo

Agent słucha przez cały czas, także wtedy, gdy sam mówi. Jego własny głos potrafi jednak wrócić do niego przez słuchawkę klienta, zwłaszcza gdy ktoś rozmawia na głośniku. Dlatego system najpierw usuwa z dźwięku to echo. Bez tego agent przerywałby sam sobie.

Potem wykrywanie mowy, w skrócie VAD, sprawdza, czy w tym, co zostało, jest ludzki głos. Jeśli jest i trwa dość długo, system zatrzymuje syntezę, zwykle w ułamku sekundy, i przekazuje modelowi to, co powiedział klient. Łańcuch od słuchawki do odpowiedzi rusza wtedy od nowa.

Trzeba też zapisać, ile swojej kwestii agent naprawdę zdążył powiedzieć. Jeśli czytał trzy terminy, a klient przerwał po pierwszym, w historii rozmowy ma zostać jeden termin. Inaczej model uzna, że klient słyszał całą listę, i będzie się do niej odwoływał.

Lista wolnych terminów przerwana w połowie

Najczęstsze przerwanie jest zupełnie niewinne. Agent wylicza wolne godziny, a klient słyszy tę, która mu pasuje, i od razu ją bierze.

Agent nie wrócił do piątku i nie dokończył wyliczanki. W historii rozmowy zostało tylko to, co klientka naprawdę usłyszała. W maju, przed komuniami i weselami, telefon w salonach fryzjerskich dzwoni wtedy, gdy fryzjerka ma ręce w farbie, a taka rozmowa kończy się zapisem bez jej udziału.

Przerwania, których nie było: kaszel i telewizor

Agent milknie w pół zdania, bo klient zakaszlał, w tle zaszczekał pies, ktoś w pokoju zapytał „kto dzwoni?” albo w radiu ruszyły wiadomości. Dla mikrofonu hałas w tle bywa nie do odróżnienia od głosu, więc system bierze go za wejście w słowo. Po chwili agent pyta „Słucham?”, a klient nie wie, o co chodzi. W sezonie grypowym, kiedy do przychodni dzwonią zakatarzeni pacjenci, zdarza się to częściej.

Dostawcy mają na to kilka ustawień. Najprostsze to minimalna długość dźwięku, po której agent uznaje, że klient mówi, zwykle ułamek sekundy, zależnie od systemu. Lepsze systemy czekają, aż rozpoznawanie mowy zapisze choć jedno sensowne słowo, a najbardziej rozbudowane oceniają, czy to, co padło, jest skierowane do agenta. Każde z tych zabezpieczeń trochę opóźnia reakcję na prawdziwe przerwanie.

Wolę agenta, któremu raz na jakiś czas przerwie kaszel, niż takiego, któremu nie da się przerwać wcale. Ten drugi zmusza ludzi do wysłuchiwania całych formułek, a to prosta droga do rozmów zaczynających się od „proszę z człowiekiem”.

Polskie „mhm”, „no” i „tak, tak”

Kto słucha, ten co chwilę daje znać, że jest: „mhm”, „aha”, „tak, tak”, „no”. Takie wtrącenia znaczą „mów dalej”, a nie „teraz ja”. System, który każde „mhm” traktuje jak przerwanie, zatrzymuje agenta co kilka sekund. Rozmowa robi się szarpana, a klient uczy się siedzieć cicho, żeby usłyszeć całość.

Z polskim „no” jest dodatkowy kłopot. Samo „no” może znaczyć „tak” albo „no dobrze”. Bywa też zapowiedzią sprzeciwu, jak w zdaniu „no, ale ja chciałam wcześniej”. Dobrze ustawiony agent po krótkim „no” czy „mhm” mówi dalej, a zatrzymuje się dopiero wtedy, gdy klient ciągnie zdanie. Sprawdź to w testach, bo tu systemy różnią się wyraźnie.

Dwa momenty, w których ustawienie przerywania trzeba zmienić

Są dwa momenty, w których domyślne ustawienie przestaje wystarczać. W pierwszym agent powinien dokończyć zdanie: to początek rozmowy. Od 2 sierpnia 2026 r. dzwoniący ma usłyszeć, że po drugiej stronie jest system AI, bo tak stanowi art. 50 AI Act, a jeśli rozmowa jest nagrywana, z RODO wynika obowiązek, żeby o tym też powiedzieć. Klient, który od razu zaczyna „dzień dobry, ja w sprawie…”, może przegadać dokładnie to zdanie. Dlatego niektóre firmy blokują przerywanie na te kilka sekund. Blokada ma sens tylko wtedy, gdy pierwsze zdanie agenta jest krótkie, więc powitanie i pierwsze sekundy trzeba napisać oszczędnie.

Drugi moment jest odwrotny. Kiedy agent odczytuje dane do potwierdzenia, na przykład datę wizyty albo adres dostawy, przerwanie powinno działać bez zwłoki. Klient, który słyszy „ósmego października”, a chciał osiemnastego, musi móc od razu powiedzieć „nie, osiemnastego!”. Tu czułość trzeba raczej podkręcić niż przykręcać.

Kwadrans w roli niegrzecznego klienta

Przerywania nie ocenisz z opisu w ofercie. Trzeba zadzwonić i przez kwadrans pobawić się w niegrzecznego klienta.

• Przerwij agentowi w połowie wyliczania terminów i sprawdź, czy weźmie właściwy.
• Zakaszl kilka razy, kiedy agent mówi dłuższe zdanie.
• Zadzwoń przy włączonym telewizorze, a potem z samochodu na zestawie głośnomówiącym.
• Wtrącaj „mhm” i „no” w trakcie jego wypowiedzi i posłuchaj, czy mówi dalej.
• Popraw datę w chwili, gdy agent ją potwierdza.
• W transkrypcji sprawdź, czy przerwana kwestia jest zapisana tylko do miejsca, w którym agent umilkł.

Ten kwadrans wpisz do planu testów asystenta głosowego. Odwrotny kłopot, czyli agent zaczynający mówić za wcześnie, wynika z ustawień wykrywania końca wypowiedzi.