# Wykrywanie końca wypowiedzi: kiedy asystent głosowy może zacząć mówić

Adres: https://www.asystenciglosowi.xyz/technologia/wykrywanie-konca-wypowiedzi | Sekcja: Technologia | Aktualizacja: 2026-09-29

Wykrywanie końca wypowiedzi to mechanizm, który decyduje, kiedy asystent głosowy (voicebot) może zacząć odpowiadać, bo klient skończył, a nie tylko zrobił pauzę. Najprostsze systemy czekają na ustaloną porcję ciszy, lepsze biorą pod uwagę także treść i to, o co agent przed chwilą zapytał. Źle ustawione wykrywanie słychać od razu: agent wchodzi w słowo przy dyktowaniu PESEL-u albo milczy za długo po krótkim „tak”.

## VAD i decyzja o końcu tury

W [łańcuchu rozmowy](https://www.asystenciglosowi.xyz/technologia/jak-dziala-asystent-glosowy) pracują tu dwa mechanizmy. Pierwszy to VAD, czyli wykrywanie aktywności głosowej. Wiele razy na sekundę sprawdza, czy w dźwięku jest ludzka mowa, czy cisza albo szum. Sam z siebie nie wie jednak, czy cisza oznacza koniec zdania, czy zastanowienie.

Drugi mechanizm podejmuje właśnie tę decyzję. Tura to po prostu kolej jednej osoby w rozmowie, a system musi rozstrzygnąć, czy tura klienta się skończyła i czy agent może mówić. Od tego zależy, czy agent wchodzi w słowo i ile ciszy słychać przed jego odpowiedzią.

## Próg ciszy i jego cena

Najprostsza reguła brzmi tak: jeśli klient milczy dłużej niż ustalony czas, to skończył. Ten czas zwykle wynosi od kilkuset milisekund do mniej więcej sekundy.

Krótki próg sprawia, że agent odpowiada żwawo, ale wskakuje w każdą pauzę na oddech. Długi chroni przed wchodzeniem w słowo, tyle że dokłada martwą ciszę do każdej odpowiedzi, także po zwykłym „tak”. Ta cisza wchodzi do sumy, z której składa się [opóźnienie odpowiedzi](https://www.asystenciglosowi.xyz/technologia/opoznienie-odpowiedzi), obok pracy modelu i syntezy.

Jednej dobrej wartości dla wszystkich rozmów nie ma. Lepsze systemy zmieniają próg w trakcie rozmowy, zależnie od tego, o co agent zapytał.

## Dyktowanie PESEL-u, telefonu i numeru konta

Numery ludzie podają kawałkami. PESEL ma 11 cyfr i zwykle słychać go w parach albo trójkach: „osiemdziesiąt cztery, zero trzy, dwanaście…”. Numer komórki to 9 cyfr, najczęściej w trójkach. Numer konta ma ich aż 26, więc dyktuje się go z karty albo z ekranu, z pauzą na odszukanie kolejnej grupy. Dla prostego systemu każda taka pauza wygląda jak koniec wypowiedzi. Tak to brzmi, gdy pacjent zapisuje się do [gabinetu fizjoterapii](https://www.asystenciglosowi.xyz/branze/fizjoterapia) na zabiegi ze skierowaniem z NFZ:

> Asystent AI: Dzień dobry, gabinet fizjoterapii Ruch, odbiera asystent AI. Pomogę zapisać się na zabiegi. Czy jest skierowanie z NFZ?
> Dzwoniący: Jest, od ortopedy. Dziesięć zabiegów na kolano.
> Asystent AI: Dobrze. Poproszę o numer PESEL. Spokojnie, poczekam.
> Dzwoniący: Czterdzieści osiem, zero dwa… zaraz, gdzie ja mam dowód… (po kilku sekundach podaje resztę numeru)
> Asystent AI: Dziękuję, mam wszystkie jedenaście cyfr. Powtórzę dla pewności: (odczytuje numer parami). Zgadza się?
> Dzwoniący: Zgadza się.
> Asystent AI: Zapisuję skierowanie i sprawdzam, od kiedy mogą ruszyć zabiegi.

_Przykład. Gabinet jest zmyślony._

Agent nie przerwał po czterech cyfrach, bo wie, że PESEL ma ich 11. Pomagają tu cztery rzeczy: dłuższy próg ciszy włączany tylko po prośbie o numer, liczenie cyfr, powtórzenie numeru parami na koniec i zdanie „spokojnie, poczekam”, które zdejmuje z rozmówcy presję. Przy długich numerach, jak numer konta, rozsądną alternatywą bywa wpisanie cyfr na klawiaturze telefonu, czyli [wybieranie tonowe DTMF](https://www.asystenciglosowi.xyz/slownik/dtmf).

## Starsi rozmówcy i ludzie, którzy myślą na głos

Starsze osoby często zaczynają od wstępu: „Proszę pani, bo ja dzwonię, bo córka mi mówiła, że…”. W środku zdania robią pauzy, bo szukają słowa albo kartki z numerem. Agent ustawiony pod szybkich trzydziestolatków wskakuje w te pauzy, a rozmówca gubi wątek i zaczyna od początku.

Podobnie działają wtrącenia, które znaczą „poczekaj”: „yyy”, „zaraz, zaraz”, „momencik, poszukam kartki”. Dobry system czeka dłużej i czasem dopowiada „Oczywiście, poczekam”.

W firmach, do których dzwoni dużo seniorów, lepiej ustawić agenta odrobinę wolniej, zamiast ścigać się o dziesiąte części sekundy. Przychodnia albo ośrodek pomocy społecznej zyskają na tym więcej niż sklep z elektroniką. Pozostałe ustawienia pod starszych rozmówców, jak tempo mowy i powtórzenia, dobierzesz według poradnika o [asystencie głosowym dla seniorów](https://www.asystenciglosowi.xyz/poradniki/asystent-glosowy-dla-seniorow).

## Wykrywanie, które słucha treści, a nie tylko ciszy

Lepsze systemy nie patrzą wyłącznie na zegar. Sprawdzają, czy zdanie brzmi na skończone. „Chciałabym się zapisać na…” nie jest końcem nawet po sekundzie ciszy, a samo „tak” jest końcem od razu. Część systemów słucha też intonacji, bo w polskim zdaniu oznajmującym głos pod koniec zwykle opada.

Drugą wskazówką jest kontekst. Po pytaniu „Czy termin pasuje?” agent może reagować szybko, bo spodziewa się krótkiego „tak” albo „nie”. Po prośbie o adres czy numer powinien czekać dłużej. Zapytaj dostawcę, czy jego system potrafi zmieniać to zachowanie zależnie od pytania.

## Typowe objawy i co z nimi zrobić

| Co słychać w rozmowie | Prawdopodobna przyczyna | Co poprawić |
| --- | --- | --- |
| Agent przerywa w połowie numeru | zbyt krótki próg ciszy przy prośbie o dane | dłuższy próg po pytaniu o numer, liczenie cyfr |
| Agent milczy długo po krótkim „tak” | zbyt długi próg w całej rozmowie | krótszy próg po pytaniach, na które odpowiada się „tak” albo „nie” |
| Klient i agent mówią jednocześnie | agent zaczął za wcześnie, a klient mówił dalej | wykrywanie oparte na treści, przegląd ustawień przerywania |
| Senior zaczyna od nowa po każdej pauzie | agent wchodzi w pauzy na zastanowienie | wolniejsze ustawienia i reakcja na „momencik” |

Sama transkrypcja łatwo to ukrywa, bo tekst nie pokazuje, że dwie osoby mówiły naraz, więc przy [analizie transkrypcji](https://www.asystenciglosowi.xyz/poradniki/jak-analizowac-transkrypcje) trzeba słuchać także nagrań. Gdy problem jest odwrotny i to klient wchodzi agentowi w słowo, działa już inny mechanizm: [przerywanie wypowiedzi](https://www.asystenciglosowi.xyz/technologia/przerywanie-wypowiedzi).

## Najczęstsze pytania

### Dlaczego voicebot przerywa mi w połowie zdania?

Zwykle dlatego, że ma ustawiony zbyt krótki próg ciszy i każdą pauzę na oddech bierze za koniec wypowiedzi. Dostawca może go wydłużyć, najlepiej tylko tam, gdzie ludzie robią pauzy, na przykład przy dyktowaniu numerów.

### Czy voicebot zrozumie PESEL podawany z przerwami?

Tak, jeśli jest do tego ustawiony: czeka dłużej po prośbie o numer, sprawdza, czy ma 11 cyfr, i na koniec odczytuje numer do potwierdzenia. Numer konta, który ma 26 cyfr, łatwiej wpisać na klawiaturze telefonu niż podyktować.

### Co to jest VAD w voicebocie?

VAD, czyli wykrywanie aktywności głosowej, to mechanizm, który rozróżnia w dźwięku mowę od ciszy i szumu. Korzysta z niego zarówno wykrywanie końca wypowiedzi, jak i rozpoznawanie, że klient przerywa agentowi. Sam VAD nie wie jednak, czy pauza oznacza koniec zdania.

### Czy można ustawić, żeby agent dłużej czekał na odpowiedź klienta?

Zwykle tak, to jedno z podstawowych ustawień platform do agentów głosowych. Lepiej jednak wydłużać czekanie tylko po wybranych pytaniach, bo wydłużone w całej rozmowie opóźni każdą odpowiedź agenta.

---
Źródło: https://www.asystenciglosowi.xyz. Wydawca: Infinity Tech Group sp. z o.o., Zamość. Przykładowe rozmowy i wyliczenia są fikcyjne i tak oznaczone. Treść nie jest poradą prawną.