Τα καλύτερα API AI ομιλίας σε ομιλία (speech-to-speech) σε πραγματικό χρόνο για τηλεφωνικές κλήσεις (2026)

Οι καλύτερες υπηρεσίες AI ομιλίας σε ομιλία (speech-to-speech) σε πραγματικό χρόνο για τηλεφωνικές κλήσεις το 2026 είναι η Retell AI, το OpenAI Realtime API, το OpenAI GPT-Live-1, το Google Gemini Live API, το Amazon Nova 2.5 Sonic, το Deepgram Voice Agent API και το AssemblyAI Voice Agent API.

Η Retell είναι η σωστή επιλογή όταν πρόκειται για τηλεφωνικές κλήσεις σε παραγωγή, επειδή περιβάλλει ένα μοντέλο speech-to-speech με την τηλεφωνία, τις μεταβιβάσεις και τις δοκιμές που χρειάζεται μια τηλεφωνική γραμμή. Οι άλλες έξι επιλογές είναι API μοντέλων ή pipeline. Σας δίνουν τον φωνητικό βρόχο και αφήνουν σε εσάς το μεγαλύτερο μέρος του τηλεφωνικού συστήματος, τη μεταβίβαση σε άνθρωπο και το QA.

Η Retell AI δημοσιεύει αυτή τη λίστα και είναι μία από τις επιλογές που συγκρίνονται. Οι τιμές και οι λειτουργίες των ανταγωνιστών προέρχονται από τη δημόσια σελίδα τιμολόγησης, μοντέλου ή τεκμηρίωσης κάθε προμηθευτή, όπως ήταν στις 22 Οκτωβρίου 2026, και συνοδεύονται από σύνδεσμο όπου αναφέρονται.

Πώς επιλέξαμε και συγκρίναμε τις επιλογές. Συμπεριλάβαμε κάθε API που δέχεται ζωντανό ήχο, επιστρέφει ομιλία σε πραγματικό χρόνο και μπορεί μια ομάδα να το συνδέσει πίσω από έναν αριθμό τηλεφώνου: εγγενή μοντέλα speech-to-speech από OpenAI, Google και Amazon, δύο ενοποιημένα API φωνητικών πρακτόρων από Deepgram και AssemblyAI, και τη Retell ως επίπεδο πλατφόρμας. Τα συγκρίναμε με βάση πέντε κριτήρια (βλ. παρακάτω), χρησιμοποιώντας μόνο πληροφορίες που δημοσιεύουν οι ίδιοι οι προμηθευτές. Δεν πραγματοποιήσαμε δοκιμαστικές κλήσεις ούτε μετρήσαμε την καθυστέρηση (latency), οπότε το άρθρο δεν περιλαμβάνει βαθμολογίες ούτε τιμές καθυστέρησης.

TL;DR

• Εγγενή μοντέλα speech-to-speech: Τα OpenAI gpt-realtime-2.1, OpenAI GPT-Live-1, Gemini 3.8 Live και Amazon Nova 2.5 Sonic δέχονται ήχο και επιστρέφουν ήχο μέσα σε ένα μόνο μοντέλο.
• Ενοποιημένα API φωνητικών πρακτόρων: Τα Deepgram και AssemblyAI εκτελούν μετατροπή ομιλίας σε κείμενο (speech-to-text), ένα LLM και μετατροπή κειμένου σε ομιλία (text-to-speech) πίσω από ένα WebSocket και μία χρέωση ανά λεπτό.
• Χαμηλότερες δημοσιευμένες τιμές ήχου ανά λεπτό: Το Gemini 3.8 Live, με $0,005 ανά λεπτό για τον εισερχόμενο ήχο και $0,018 ανά λεπτό για τον εξερχόμενο, τιμές που η Google μετατρέπει από $3 και $12 ανά 1M tokens ήχου.
• Σταθερές χρεώσεις ανά λεπτό: Το GPT-Live-1 με $0,05 ανά λεπτό για το φωνητικό επίπεδο (το backend μοντέλο χρεώνεται χωριστά), το Deepgram από $0,075 ανά λεπτό και το AssemblyAI με $0,075 ανά λεπτό με όλα συμπεριλαμβανόμενα.
• Άμεσο SIP: Η OpenAI δέχεται κλήσεις SIP τόσο στο Realtime API όσο και στα Live sessions της, ενώ το AssemblyAI δέχεται SIP μέσω του δικού σας λογαριασμού Twilio. Για το Gemini Live, η τεκμηρίωση της Google παραπέμπει σε ενσωματώσεις συνεργατών όπως τα LiveKit και Pipecat.
• Τηλεφωνικοί πράκτορες σε παραγωγή: Η Retell εκτελεί τα realtime μοντέλα της OpenAI, το Grok Voice ή ένα τυπικό pipeline LLM και προσθέτει θερμή μεταβίβαση, πλοήγηση σε IVR, δοκιμές προσομοίωσης και ανάλυση μετά την κλήση.

Πώς συγκρίνονται τα 7 API;

Η διάκριση που μετράει είναι αν αγοράζετε ένα μοντέλο ή έναν τηλεφωνικό πράκτορα. Ο πίνακας δείχνει τι είναι κάθε επιλογή, πώς φτάνει σε αυτήν μια τηλεφωνική κλήση και τη δημοσιευμένη τιμή της στις 22 Οκτωβρίου 2026.

Πώς συγκρίναμε κάθε API

Εξετάσαμε πέντε πράγματα που αποκαλύπτει μια τηλεφωνική κλήση και κρύβει ένα demo στον browser:

1. Διαδρομή τηλεφωνίας. Μπορεί μια κλήση PSTN να φτάσει στο μοντέλο χωρίς να χρειάζεται να λειτουργείτε δικό σας media server;
2. Εναλλαγή ομιλίας σε πραγματικές συνθήκες. Τεκμηριώνει ο προμηθευτής τον χειρισμό διακοπών σε ζωντανές κλήσεις;
3. Κλήσεις εργαλείων κατά την ομιλία. Μπορεί ο πράκτορας να αναζητήσει μια παραγγελία ενώ συνεχίζει να μιλά;
4. Μεταβίβαση σε άνθρωπο. Είναι η θερμή μεταβίβαση ενσωματωμένη ή πρέπει να τη γράψετε εσείς;
5. Κόστος που μπορείτε να προβλέψετε. Η χρέωση γίνεται ανά λεπτό ή ανά token, και τι μένει εκτός χρέωσης;

Οι ισχυρισμοί των προμηθευτών για την καθυστέρηση (latency) μετρώνται με διαφορετικούς τρόπους και δεν είναι συγκρίσιμοι, γι’ αυτό δεν περιλαμβάνονται εδώ.

Retell AI

Η Retell AI είναι η καλύτερη επιλογή όταν ένα μοντέλο speech-to-speech πρέπει να ανταποκριθεί σε πραγματικές τηλεφωνικές κλήσεις, επειδή διαχειρίζεται την κλήση γύρω από το μοντέλο: αριθμούς, μεταβίβαση σε άνθρωπο, τηλεφωνητή και δοκιμές.

Το API της Retell περιλαμβάνει επιλογές speech-to-speech, όπως την οικογένεια gpt-realtime της OpenAI (gpt-realtime-2.1, gpt-realtime-2 και άλλα) και το Grok Voice 3.0, ως μία επιλογή ανάμεσα στα υποστηριζόμενα μοντέλα της. Μπορείτε επίσης να εκτελέσετε έναν πράκτορα σε τυπικό pipeline με το LLM της επιλογής σας και να διατηρήσετε την ίδια τηλεφωνία, μεταβιβάσεις και δοκιμές σε κάθε περίπτωση. Δείτε τις επιλογές μοντέλων στην τεκμηρίωση αναφοράς του API.

Ως τεκμήριο για δύσκολες κλήσεις, η Cekura πραγματοποίησε ένα benchmark 414 κλήσεων σε έξι φωνητικές πλατφόρμες (Retell, ElevenLabs, Pipecat, LiveKit, Synthflow και Vapi) σε μία ρυθμιζόμενη ροή εργασίας Medicare. Η Retell πέρασε 22 από τους 23 αξιολογητές και ήρθε πρώτη με 95,7% ακρίβεια ροής εργασίας, λαμβάνοντας υπόψη μόνο ελέγχους που πέρασαν και στις τρεις εκτελέσεις. Οι δύσκολες περιπτώσεις περιλάμβαναν καλούντα που διακόπτει τη γνωστοποίηση και απαιτεί λεπτομέρειες για το πρόγραμμα, μέλος της οικογένειας που καλεί εκ μέρους δικαιούχου και καλούντα που ζητά από τον πράκτορα να υποσχεθεί ότι ένα πρόγραμμα καλύπτει το φάρμακό του. Πρόκειται για benchmark πλατφορμών σε μία ροή εργασίας, όχι για σύγκριση μοντέλων speech-to-speech.

Τι αποκτάτε πέρα από το μοντέλο:

• Τηλεφωνία: αγοράστε αριθμούς ΗΠΑ ή Καναδά από το dashboard ή εισαγάγετε τους δικούς σας μέσω SIP trunking, μεταξύ άλλων μέσω Twilio και Vonage.
• Μεταβίβαση σε άνθρωπο: ψυχρή, θερμή και agentic μεταβίβαση κλήσης σε άνθρωπο, με ενημέρωση για το πλαίσιο της κλήσης στις θερμές μεταβιβάσεις.
• Εξερχόμενη τηλεφωνία: ανίχνευση τηλεφωνητή και πλοήγηση σε IVR στα τηλεφωνικά μενού άλλων εταιρειών.
• Δοκιμές και QA: δοκιμές προσομοίωσης πριν από την κυκλοφορία και, στη συνέχεια, ανάλυση μετά την κλήση και διασφάλιση ποιότητας με AI στις κλήσεις παραγωγής.

Τιμολόγηση: από $0,07 ανά λεπτό, σύμφωνα με τη σελίδα τιμολόγησης της Retell.

Προσοχή: η Retell είναι πλατφόρμα, όχι σκέτο endpoint μοντέλου. Αν θέλετε να ελέγχετε μόνοι σας κάθε καρέ του pipeline ήχου, ξεκινήστε καλύτερα με ένα API μοντέλου.

OpenAI Realtime API (gpt-realtime-2.1)

Το OpenAI Realtime API είναι η επιλογή για ομάδες που θέλουν ένα σκέτο μοντέλο speech-to-speech με τη συλλογιστική του GPT και θα χτίσουν μόνες τους την υπόλοιπη τηλεφωνική στοίβα.

Το gpt-realtime-2.1 δέχεται ήχο και επιστρέφει ήχο, υποστηρίζει ρυθμιζόμενο βαθμό συλλογιστικής και κλήση συναρτήσεων, και αναβαθμίζει το gpt-realtime-2 με καλύτερη αναγνώριση αλφαριθμητικών χαρακτήρων, καλύτερο χειρισμό σιωπής και θορύβου και βελτιωμένη συμπεριφορά στις διακοπές. Η OpenAI αναφέρει τις ίδιες τιμές και για τα δύο μοντέλα.

Επιπλέον, απαντά σε τηλεφωνική κλήση χωρίς ξεχωριστή γέφυρα. Σύμφωνα με τον οδηγό SIP της OpenAI, κατευθύνετε ένα SIP trunk στο SIP endpoint της OpenAI, αποδέχεστε ή απορρίπτετε κάθε κλήση με το call ID της και μπορείτε να τη μεταβιβάσετε με SIP REFER.

Τιμολόγηση: $32 ανά 1M tokens ήχου εισόδου και $64 ανά 1M tokens ήχου εξόδου, συν $4 και $24 ανά 1M tokens κειμένου. Υψηλότερος βαθμός συλλογιστικής μπορεί να αυξήσει την καθυστέρηση και τη χρήση tokens εξόδου.

Προσοχή: η χρέωση ανά token αυξάνεται με τη διάρκεια της συνομιλίας, επειδή το πλαίσιο συσσωρεύεται. Την καταγραφή, το QA, τις επαναλήψεις και τη λογική κλιμάκωσης σε άνθρωπο πρέπει να τα χτίσετε εσείς.

OpenAI GPT-Live-1

Το GPT-Live-1 ταιριάζει καλύτερα όταν η φυσική εναλλαγή ομιλίας μετράει περισσότερο από το να βρίσκεται η συλλογιστική μέσα στο φωνητικό μοντέλο. Είναι ένα μοντέλο full-duplex που ακούει και μιλά ταυτόχρονα και αναθέτει τη συλλογιστική και τη χρήση εργαλείων σε έναν backend πράκτορα. Ο οδηγός μας για το GPT-Live-1 δείχνει πώς λειτουργεί αυτός ο διαχωρισμός σε έναν τηλεφωνικό πράκτορα.

Εκτελείται στο endpoint Live sessions της OpenAI, όχι στο endpoint Realtime, οπότε δεν αντικαθιστά απευθείας το gpt-realtime-2.1. Σύμφωνα με τον οδηγό φωνής και SIP της OpenAI, οι εισερχόμενες κλήσεις φτάνουν μέσω SIP, ενώ οι εξερχόμενες κλήσεις SIP είναι διαθέσιμες μέσω του Live API μόλις ενεργοποιηθούν για τον οργανισμό σας. Το κουδούνισμα περιορίζεται στα 3 λεπτά και μια συνδεδεμένη κλήση στις 2 ώρες.

Τιμολόγηση: $0,05 ανά λεπτό session, με χρέωση ανά δευτερόλεπτο, ενώ η χρήση του backend μοντέλου και των εργαλείων χρεώνεται χωριστά.

Προσοχή: οι ταυτόχρονες συνεδρίες έχουν όριο ανά βαθμίδα, 50 sessions στο Build, 300 στο Launch και 500 στο Grow, ενώ το εισερχόμενο SIP απαιτεί να είναι ενεργοποιημένη η υποστήριξη GPT-Live SIP για το project σας.

Google Gemini Live API

Το Gemini Live API έχει τις χαμηλότερες τιμές ήχου ανά λεπτό με βάση τις δημοσιευμένες τιμές. Τα Gemini 3.8 Live και Gemini 3.8 Live Extended Thinking έγιναν γενικά διαθέσιμα στις 15 Σεπτεμβρίου 2026 και αμφότερα αναφέρουν $0,005 ανά λεπτό για ήχο εισόδου και $0,018 ανά λεπτό για ήχο εξόδου στη σελίδα τιμολόγησης της Google. Αυτές οι τιμές ανά λεπτό εμφανίζονται δίπλα στα $3 και $12 ανά 1M tokens ήχου, άρα πρόκειται για μετατροπή και όχι για ξεχωριστή χρέωση.

Το μοντέλο Extended Thinking υποστηρίζει συλλογιστική στο παρασκήνιο κατά τη διάρκεια της κλήσης, ενώ το grounding με Google Search υποστηρίζεται στην επί πληρωμή βαθμίδα, με 5.000 δωρεάν αιτήματα αναζήτησης τον μήνα και στη συνέχεια $14 ανά 1.000.

Προσοχή: ο οδηγός του Live API της Google αναφέρει ενσωματώσεις συνεργατών όπως τα LiveKit και Pipecat και δεν περιγράφει διαδρομή μέσω SIP trunk, οπότε υπολογίστε μια γέφυρα μπροστά από το Live API. Η τιμολόγηση εξόδου περιλαμβάνει τα thinking tokens, άρα η τιμή ανά λεπτό είναι το ελάχιστο.

Amazon Nova 2.5 Sonic

Το Amazon Nova 2.5 Sonic είναι η αυτονόητη επιλογή για ομάδες που ήδη αναπτύσσουν στο AWS Bedrock. Η AWS το έκανε γενικά διαθέσιμο στις 5 Οκτωβρίου 2026, με βελτιωμένη συλλογιστική, τήρηση οδηγιών και ακρίβεια κλήσης εργαλείων, χαμηλότερη καθυστέρηση, εκφραστικές φωνές σε επτά γλώσσες, ελεγχόμενη εναλλαγή ομιλίας, ασύγχρονη κλήση εργαλείων και παράθυρο πλαισίου 256K.

Το framework Strands Bidi Agents της AWS, πλέον γενικά διαθέσιμο, είναι ο τρόπος της να δημιουργείτε έναν φωνητικό πράκτορα με λίγες γραμμές κώδικα.

Τιμολόγηση: η AWS αναφέρει το Nova 2.5 Sonic στην ίδια τιμή με το Nova 2 Sonic. Ελέγξτε τη σελίδα τιμολόγησης του Amazon Nova για τις τρέχουσες χρεώσεις ανά token, οι οποίες φορτώνονται δυναμικά.

Προσοχή: είναι διαθέσιμο σε τέσσερις περιοχές του Bedrock (N. Virginia, Oregon, Stockholm, Tokyo), και οι επτά γλώσσες είναι λιγότερες σε σχέση με ορισμένες άλλες επιλογές εδώ. Η ανακοίνωση δεν περιγράφει τηλεφωνική διαδρομή, οπότε επιβεβαιώστε πώς φτάνουν οι κλήσεις στο μοντέλο πριν δεσμευτείτε.

Deepgram Voice Agent API

Το Voice Agent API της Deepgram είναι η επιλογή για ομάδες που θέλουν την αναγνώριση ομιλίας της Deepgram με τη δυνατότητα να χρησιμοποιήσουν δικό τους LLM ή δική τους φωνή. Εκτελεί μετατροπή ομιλίας σε κείμενο, ένα LLM και μετατροπή κειμένου σε ομιλία πίσω από ένα WebSocket και μία χρέωση ανά λεπτό, ενώ η τεκμηρίωση της Deepgram περιλαμβάνει οδηγούς για τηλεφωνικούς πράκτορες εισερχόμενων και εξερχόμενων κλήσεων με Twilio και Plivo.

Τιμολόγηση: $0,075 ανά λεπτό στη βαθμίδα Standard με πληρωμή με τη χρήση και $0,163 στην Advanced, με χαμηλότερες χρεώσεις αν χρησιμοποιείτε δικό σας LLM ή TTS.

Προσοχή: πρόκειται για διαδοχικό (cascaded) pipeline, όχι για εγγενές μοντέλο speech-to-speech. Οι λογαριασμοί με πληρωμή με τη χρήση περιορίζονται σε 45 ταυτόχρονες συνδέσεις Voice Agent (60 στο Growth), κάτι που μετράει από την πρώτη φορά που μια καμπάνια πραγματοποιεί εξερχόμενες κλήσεις.

AssemblyAI Voice Agent API

Το Voice Agent API της AssemblyAI είναι η επιλογή όταν η ακρίβεια της απομαγνητοφώνησης καθορίζει αν ο πράκτορας λειτουργεί, για παράδειγμα σε ονόματα, αριθμούς λογαριασμών και διευθύνσεις. Εκτελεί το μοντέλο ομιλίας Universal-3.6 Pro Realtime της AssemblyAI, ένα LLM και TTS πίσω από ένα WebSocket.

Τιμολόγηση: σταθερή χρέωση $4,50 ανά ώρα ($0,075 ανά λεπτό) που καλύπτει μετατροπή ομιλίας σε κείμενο, το LLM και το TTS, με χρέωση ανά λεπτό session, σύμφωνα με την αναφορά τιμολόγησης της AssemblyAI. Για τηλεφωνικές κλήσεις, η τεκμηρίωση της AssemblyAI αναφέρει ότι το Twilio προωθεί τις κλήσεις στην AssemblyAI μέσω SIP, οπότε δεν χρειάζεται να λειτουργείτε media server ή webhook. Το SIP trunk και ο αριθμός βρίσκονται στον δικό σας λογαριασμό Twilio.

Προσοχή: όπως και το Deepgram, είναι διαδοχικό (cascaded) και όχι εγγενές audio-to-audio, οπότε λαμβάνετε απομαγνητοφώνηση σε κάθε γύρο, αλλά όχι ένα μοντέλο που ακούει απευθείας τον τόνο της φωνής.

Εγγενές μοντέλο speech-to-speech ή διαδοχικό pipeline;

Χρησιμοποιήστε εγγενές μοντέλο speech-to-speech όταν ο τόνος και η γρήγορη εναλλαγή ομιλίας μετρούν περισσότερο από τον έλεγχο κάθε βήματος, και διαδοχικό pipeline όταν χρειάζεται να βλέπετε και να διορθώνετε τι άκουσε ο πράκτορας. Ένα εγγενές μοντέλο δέχεται ήχο και επιστρέφει ήχο, χωρίς ξεχωριστό βήμα απομαγνητοφώνησης. Ένα διαδοχικό pipeline σας δίνει απομαγνητοφώνηση σε κάθε γύρο, κάτι που διευκολύνει τον εντοπισμό ενός λάθος αριθμού λογαριασμού ή την επιβολή ενός σεναρίου συμμόρφωσης.

Σε κάθε περίπτωση, μια τηλεφωνική γραμμή προσθέτει εργασία που δεν κάνει το μοντέλο: χειρισμό διακοπών, ανάκαμψη από αποτυχημένες μεταβιβάσεις και δοκιμές με κλήσεις που ξεφεύγουν από το σενάριο. Για το πώς διαφέρουν πιο αναλυτικά οι δύο αρχιτεκτονικές, διαβάστε πώς λειτουργεί το φωνητικό AI σε πραγματικό χρόνο. Αν επιλέγετε το μοντέλο συλλογιστικής πίσω από έναν διαδοχικό πράκτορα, δείτε τα καλύτερα LLM για φωνητικούς πράκτορες AI και τα καλύτερα μοντέλα μετατροπής ομιλίας σε κείμενο.

Πώς επιλέγετε το σωστό API για τις κλήσεις σας;

Ξεκινήστε από το πού καταλήγει η κλήση και ποιος είναι υπεύθυνος όταν κάτι αποτύχει. Τέσσερις ερωτήσεις αρκούν:

1. Προέρχονται οι κλήσεις από το τηλεφωνικό δίκτυο; Αν ναι, αποκλείστε ό,τι χρειάζεται γέφυρα που δεν θέλετε να λειτουργείτε ή επιλέξτε πλατφόρμα που περιλαμβάνει τηλεφωνία. Ο οδηγός μας για το SIP trunking και τη σύγχρονη τηλεφωνία καλύπτει την πλευρά του παρόχου.
2. Τι συμβαίνει όταν ο πράκτορας δεν γνωρίζει την απάντηση; Αν πρέπει να αναλάβει ένας άνθρωπος με πλήρες πλαίσιο, χρειάζεστε θερμή μεταβίβαση, όχι απλώς ένα endpoint τερματισμού κλήσης.
3. Μπορείτε να προβλέψετε τον λογαριασμό; Η τιμολόγηση ανά λεπτό (GPT-Live-1, Deepgram, AssemblyAI) προϋπολογίζεται ευκολότερα από την τιμολόγηση ανά token, όπου οι μεγάλες κλήσεις κοστίζουν περισσότερο ανά λεπτό.
4. Ποιος διορθώνει μια αποτυχημένη κλήση; Αν την ομάδα λειτουργιών σας, και όχι οι μηχανικοί σας, θα ρυθμίζει τα prompt και τις ροές, επιλέξτε πλατφόρμα με ενσωματωμένες δοκιμές και διαχείριση εκδόσεων.

Συχνές ερωτήσεις

Τι είναι ένα speech-to-speech AI API;

Ένα speech-to-speech AI API δέχεται τον ήχο του καλούντος και επιστρέφει προφορικό ήχο από ένα μόνο μοντέλο, χωρίς ξεχωριστό βήμα απομαγνητοφώνησης και σύνθεσης φωνής. Με αυτόν τον τρόπο λειτουργούν τα OpenAI gpt-realtime-2.1, GPT-Live-1, Gemini 3.8 Live και Amazon Nova 2.5 Sonic.

Ποιο API speech-to-speech είναι το φθηνότερο για τηλεφωνικές κλήσεις;

Το Gemini 3.8 Live αναφέρει τις χαμηλότερες τιμές ήχου ανά λεπτό, με $0,005 ανά λεπτό για ήχο εισόδου και $0,018 ανά λεπτό για ήχο εξόδου, τιμές που η Google μετατρέπει από $3 και $12 ανά 1M tokens ήχου. Στο πραγματικό σας κόστος προστίθενται η τηλεφωνία, οποιαδήποτε γέφυρα λειτουργείτε και τα thinking tokens, που χρεώνονται ως έξοδος. Η AWS αναφέρει το Nova 2.5 Sonic στην ίδια τιμή με το Nova 2 Sonic και η OpenAI χρεώνει το Realtime API ανά token, οπότε συγκρίνετε με βάση τη δική σας διάρκεια κλήσεων.

Μπορώ να συνδέσω το OpenAI Realtime API σε έναν αριθμό τηλεφώνου;

Ναι. Κατευθύνετε ένα SIP trunk από έναν πάροχο όπως το Twilio στο SIP endpoint της OpenAI και στη συνέχεια αποδέχεστε κάθε κλήση με το call ID της. Οι μεταβιβάσεις γίνονται με SIP REFER.

Υποστηρίζει η Retell μοντέλα speech-to-speech;

Ναι. Το API της Retell περιλαμβάνει επιλογές speech-to-speech, όπως την οικογένεια gpt-realtime της OpenAI και το Grok Voice 3.0, ενώ ένας πράκτορας της Retell μπορεί εναλλακτικά να εκτελείται σε τυπικό pipeline με το LLM της επιλογής σας. Οι λειτουργίες τηλεφωνίας και μεταβίβασης είναι ίδιες σε κάθε περίπτωση.

Τι συμβαίνει όταν ο πράκτορας AI δεν μπορεί να απαντήσει;

Σε ένα API μοντέλου, τη λογική κλιμάκωσης τη γράφετε εσείς. Στη Retell, ο πράκτορας μπορεί να κάνει ψυχρή, θερμή ή agentic μεταβίβαση κλήσης σε άνθρωπο, και η θερμή μεταβίβαση μεταφέρει ενημέρωση για το πλαίσιο, ώστε ο καλών να μη χρειάζεται να επαναλάβει όσα είπε.

Μπορώ να διατηρήσω τον υπάρχοντα αριθμό τηλεφώνου μου;

Στη Retell, ναι: μπορείτε να εισαγάγετε έναν υπάρχοντα αριθμό μέσω SIP trunking αντί να αγοράσετε νέο. Στα API μοντέλων, εξαρτάται από το SIP trunk ή τη γέφυρα που χρησιμοποιείτε.

Δοκιμάστε το στις δικές σας κλήσεις

Ένα σενάριο demo δεν θα σας δείξει τη διαφορά ανάμεσα σε αυτά τα API· οι δικές σας κλήσεις θα σας τη δείξουν. Δημιουργήστε δωρεάν έναν πράκτορα με τη Retell, επιλέξτε ένα μοντέλο speech-to-speech ή ένα τυπικό μοντέλο και δοκιμάστε το στις κλήσεις που η ομάδα σας θεωρεί πιο δύσκολες.