Hvor menneskelig skal en AI-stemmeagent lyde, før den kan sælge?



En AI-stemmeagent skal lyde menneskelig nok til, at den potentielle kunde bliver ved med at tale, og hvor meget det kræver, afhænger af opkaldet: En påmindelse kræver en klar stemme med god timing, mens et koldt salgsopkald kræver en fremførelse, der skifter med situationen. Du finder ud af, hvilken side af grænsen du er på, ved at fordele rigtige udgående opkald mellem to stemmeopsætninger og sammenligne konverteringen. At lytte til en demo fortæller dig, hvad du selv kan lide. Det fortæller dig ikke, hvad dine potentielle kunder gør.
Denne guide er til den, der ejer konverteringen på udgående opkald. Den adskiller det, en prompt ændrer, fra det, stemme- og agentindstillingerne ændrer, sætter et niveau pr. opkaldstype og beskriver en test på liveopkald.
Hvad mener købere, når de siger, at stemmen ikke er menneskelig nok?
De mener prosodi: den tonehøjde, det tempo, den lydstyrke, de pauser og den betoning, en taler bruger, og hvordan de skifter med situationen. En god sælger sænker stemmen før en pris, sætter tempoet ned, når kunden tøver, og lyser op, når svaret er ja. En agent kan sige den rigtige sætning på en flad eller ensartet munter måde, og kunden hører et manuskript.
Teams, der rammer denne mur, har som regel omskrevet prompten mange gange. Formuleringen blev bedre, men indvendingen blev ved, fordi formulering og fremførelse kommer fra forskellige dele af systemet.
Hvad kan en prompt ændre, og hvad kan den ikke?
En prompt ændrer, hvad agenten siger. Hvordan det bliver sagt, afgøres af den stemme, du vælger, og af taleindstillingerne på agenten. Hvis du bliver ved med at redigere prompten for at løse et fremførelsesproblem, arbejder du på det forkerte lag.
På Retell ser lagene sådan ud. Indstillingernes navne er dem, der bruges i produktdokumentationen.
| Lag | Hvad det styrer | Hvor du indstiller det | Hvad det ikke løser |
|---|---|---|---|
| Ord | Sætningslængde, formulering, fyldord, empatisk sprog, hvordan tal formuleres | Prompten plus Agent Handbook-forudindstillinger: Default Tone (Professional + Conversational), Natural Filler Words, High Empathy, Speech Normalization | En flad eller stiv fremførelse af velskrevne replikker |
| Stemme | Hvem der taler: klangfarve, accent, alder, grundenergi | Select Voice: Platform Voices, Custom Providers eller en stemmeklon | Formulering, eller hvornår agenten taler |
| Fremførelse | Hastighed, lydstyrke, følelse, betoning, pauser | Voice Speed, lydstyrke, Expressive mode, styring af pauser og udtale | En stemme, der ikke passer til din målgruppe |
| Timing | Hvor længe agenten venter, hvor let den bliver afbrudt, små lyttelyde | Taleindstillinger: Response Wait time, Interruption Sensitivity, Enable Backchanneling, Background sound | Følelsesmæssig tone inde i en sætning |

Agent Handbook-forudindstillingerne er stadig værktøjer på promptniveau. Dokumentationen beskriver Professional + Conversational som en tone med korte replikker og ét spørgsmål ad gangen, velegnet til salg. Den ændrer manuskriptet, ikke lyden.
Hvilke indstillinger ændrer, hvordan stemmen lyder?
Fire grupper af indstillinger ændrer selve lyden, og hver har en dokumenteret begrænsning.
Valg af stemme. Platformstemmer er det kuraterede bibliotek fra Retell, som i dokumentationen beskrives som finjusteret til konversationel AI over telefonen og kalibreret til klarhed ved telekom-bitrates. Du kan også tilføje en stemme fra en tilpasset udbyder eller klone en stemme. Én linje i dokumentationen om kloning er vigtig for salgsteams: Klonen gengiver den fremførelse, den hører, så optag i den tone, det tempo og den energi, du ønsker i opkaldene.
Hastighed og lydstyrke. Voice Speed går fra 0,5x til 2,0x. Med "Dynamically adjust based on user input" slået til følger agenten kundens ord pr. minut og justerer gradvist sin egen hastighed, så den matcher. Lydstyrke er én værdi for agenten. Dokumentationen beskriver ikke en indstilling, der hæver eller sænker lydstyrken fra øjeblik til øjeblik under et opkald, så planlæg ikke ud fra en sådan.
Expressive mode. Dette er den dokumenterede indstilling, der kommer tættest på situationsbestemt fremførelse. Når den er slået til, tilføjer agenten ekspressive stemmetags til den lyd, den genererer, og vælger dem ud fra samtalen. Tags dækker følelser (empatisk, begejstret, glad, nysgerrig, overrasket), effekter (suk, rømme sig, pause, lang pause) og betoning af det ord, der betyder noget. Du vælger, hvilke tags der er tilladt, du kan omskrive vejledningen for, hvornår hvert enkelt gælder, og du kan placere et tag manuelt på en bestemt replik, f.eks. åbningen.
Begrænsningerne er lige så specifikke. Expressive mode virker kun med platformstemmer. Tags gælder på 13 sprog, og en flersproget agent skal have alle sine sprog på den liste. Agenten bruger tags sparsomt, og de fleste replikker har ingen. Den tagger aldrig tal, navne, tidspunkter eller priser, så forvent ikke en tagget ændring i fremførelsen på selve prisen.
Timing. En stemme med god tone lyder stadig forkert, hvis den svarer for hurtigt eller taler hen over folk. Response Wait time, Interruption Sensitivity og backchanneling styrer det, og turtagning og håndtering af afbrydelser har sin egen guide.
Ingen af disse indstillinger er dokumenteret til at gøre en agent umulig at skelne fra et menneske. Behandl hver enkelt som et input, du skal teste. At lyde menneskelig er også et andet spørgsmål end oplysningspligt: Forudindstillingen AI Disclosure When Asked er slået til som standard for nye agenter, og hvilke oplysninger dine opkald kræver, er et spørgsmål for din juridiske rådgiver eller compliance-ansvarlige.
Hvis du sælger på mere end ét sprog, vejer hilsenen endnu tungere. Se de første 30 sekunder med en flersproget AI-stemmeagent.
Hvor menneskelig skal stemmen være for din opkaldstype?
Kravet stiger med, hvor meget tillid kunden skal give, før vedkommende siger ja. Tabellen nedenfor er et udgangspunkt for din egen test, baseret på hvad hvert opkald kræver af lytteren. Den er ikke et benchmark.
| Type af udgående opkald | Hvad kunden beslutter | Krav til stemmen | Hvor du starter |
|---|---|---|---|
| Påmindelser, bekræftelser, fornyelsesmeddelelser | Bekræfte eller flytte | Klar og præcis på navne, datoer og beløb | En platformstemme, Speech Normalization, udtaleopslag for brand- og produktnavne |
| Opfølgning på et lead, der bad om et opkald | Om de vil svare på et par spørgsmål | Samtalepræget formulering og ren turtagning betyder mere end følelse | Professional + Conversational-tone, backchanneling, dynamisk Voice Speed |
| Koldt opkald til en liste | Om de bliver på linjen efter åbningen | Højt, og koncentreret i åbningsreplikken | Tilføj Expressive mode med et lille sæt tags, tag åbningen manuelt, splittest to stemmer |
| Rådgivende salg eller lukning af høj værdi | Om de vil betro sælgeren penge eller en følsom beslutning | Højere, end du bør gå ud fra, at nogen indstilling lever op til | Lad agenten kvalificere og booke, og overdrag derefter til en person med assisteret viderestilling, indtil din test siger noget andet |
Den sidste række er den ærlige. Hvis salget afhænger af en sælger, der kan læse stemningen, så behold sælgeren. Ved assisteret viderestilling bliver agenten på linjen og briefer den person, der tager over, så kunden ikke skal gentage det hele.
Hvordan tester du, hvor menneskelig stemmen lyder, på rigtige opkald i stedet for på gehør?
Kør to agenter, der kun adskiller sig i stemmeopsætning, på den samme udgående trafik, og mål begge på en konverteringshændelse, du definerer før det første opkald. Dit øre er én lytter. Dine potentielle kunder er stikprøven.
Brug denne tjekliste:
- Udelukk først problemer med at nå kunderne. Hvis kunderne ikke tager telefonen, er stemmen ikke årsagen. Tjek svarprocenten på udgående opkald og tjeklisten til telefonnumre for udgående opkald, før du rører ved stemmeindstillingerne.
- Brug ikke tekstsimulering til at bedømme stemmen. Simuleringstest kører som en tekstsamtale. Den bedømmer formulering og resultater og hører ingenting.
- Lyt på et webopkald og derefter et telefonopkald. Dokumentationen peger på test via webopkald for, hvordan stemmen faktisk lyder (tempo, udtale, fyldord), og på test via telefonopkald for lyden gennem teleoperatøren.
- Definér konvertering som et felt, ikke et indtryk. Tilføj et brugerdefineret Post Call Extraction-felt, f.eks. en Boolean for "møde booket" eller en Selector for opkaldets resultat, så alle opkald bliver mærket på samme måde.
- Ændr ét lag. Klon agenten, og ændr kun stemmen eller kun Expressive mode. Hold prompten identisk, ellers ved du ikke, hvad der flyttede tallet.
- Fordel livetrafikken. A/B Testing på telefonnummeret sender en procentdel af opkaldene til hver agent, f.eks. 80/20 eller 50/50, og er dokumenteret til både udgående og indgående opkald.
- Sammenlign i Analytics. Filtrér efter agent og version, og vis dit brugerdefinerede felt i et diagram ved siden af antal opkald, opkaldenes succesrate og varighed.
- Vurder både lyden og resultatet. AI QA evaluerer en stikprøve af rigtige opkald, og metrikken Agent Naturalness bruger både lyden og transskriptionen til at markere unaturlig hastighed eller intonation, forkert udtale og fejl. Det indbyggede felt
user_sentimentudledes kun af transskriptionen, så læs det ikke som en vurdering af tonen. - Fastlæg stopreglen på forhånd. Beslut det mindste antal forbundne opkald pr. variant og den forskel, der ville ændre din beslutning. Skriv begge dele ned før lanceringen.
Hvis den mere ekspressive variant ikke konverterer bedre, var stemmen ikke din begrænsning. Se derefter på listen, tilbuddet og åbningsspørgsmålet. Hvis den gør, har du et tal at forsvare valget med. Den samme proces gælder, når du går fra demo til produktion.
Hvad bør du spørge en leverandør om stemmen, før du starter en pilot?
Stil spørgsmål, hvis svar du kan verificere i produktet under piloten:
- Hvilke indstillinger ændrer fremførelsen, og hvilke ændrer kun formuleringen?
- Virker ekspressiv fremførelse med den stemme og de sprog, vi planlægger at bruge, herunder en klonet stemme?
- Kan lydstyrke, tempo eller tone ændre sig under et opkald, og hvad udløser ændringen?
- Kan vi fordele rigtig udgående trafik mellem to stemmeopsætninger og se konverteringen pr. variant?
- Hvilke kvalitetsmetrikker lytter til lyden, og hvilke læser kun transskriptionen?
- Når et opkald kræver en person, hvordan lyder overdragelsen så for kunden?
En leverandør, der svarer med en poleret demooptagelse, har svaret på et andet spørgsmål.
Bevis stemmen på dine egne opkald
I modsætning til systemer, der kun er optimeret til realistisk tale, er Retell bygget til hele samtalen: stemmen, timingen omkring den, overdragelsen til en person og målingen, der fortæller dig, om noget af det konverterede. Se, hvordan delene hænger sammen, på siden om AI-stemmeagenter, og hvordan AI QA vurderer rigtige opkald. Kør derefter en pilot på rigtige opkald med to stemmeopsætninger og din egen konverteringshændelse, og beslut ud fra det tal, før du skriver under på noget.
See how much your business could save by switching to AI-powered voice agents.
Your submission has been sent to your email
ROI Result
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Estimate your monthly voice AI cost
Read Other Blogs
Revolutionér din callcenter-drift med Retell

Begynd at bygge smartere samtaler i dag.




