Vælg hvordan du håndterer tale

Efter du har valgt samtalekontrol, skal stemmeagenter træffe endnu en beslutning: talearkitektur.

Mønster 1: Basistilstand for stemme

Tale > Tekst >NLU/NLU+>Klassisk orkestrering> Tale

Opkalderens tale transskriberes først i dette mønster, hvorefter Copilot Studio-dialogflowene bearbejder teksten. Til sidst konverteres teksten tilbage til tale.

Brug dette mønster, når

• Du bruger et fuldt klassisk, deterministisk flow.

• Omkostningsminimering er afgørende.

• Du har brug for en tilpasset eller neural stemme.

• Du har brug for finjusteret kontrol over talegenkendelse.

• Du arbejder med DTMF-tunge flow.

Kompromiser

• Fungerer kun med klassisk orkestrering.

• Understøtter ikke hybrid eller generativ orkestrering.

• Understøttelse af flersproget og blandet sproginput kræver mere arbejde. Det kræver sprogregistrering, sprogspecifikke prompter og grammatik, opsætning af landestandard for tale til tekst (STT) og håndtering af reserve.

Mønster 2: Streaming-tilstand

Tale > AI-model > Tale

En stemmearkitektur, hvor en enkelt sprogmodel behandler lyd fra ende til ende og håndterer lydinput og output direkte. Der er ikke separate STT- eller tekst-til-tale (TTS)-trin. Modellen modtager opkalderens lydstrøm direkte og returnerer et syntetiseret lydsvar i realtid.

Denne arkitektur anvender en tæt integreret, realtidsmodel-pipeline til at levere ultrakort ventetid, naturligt samtaleforløb og enklere udrulning. Denne tilgang fungerer bedst, når hastighed og naturlig samtale er topprioriteter, for eksempel ved mange kundeinteraktioner i velunderstøttede sprog og regioner. Denne tilgang har et begrænset antal stemmer og begrænsede tilpasningsmuligheder.

Vigtig fordel: Ultrakort ventetid, naturlig turtagning i samtaler.

Brug dette mønster, når

• Naturlighed i samtalen og forbedret prosodi er en topprioritet.

• Virksomheden ønsker en førsteklasses samtaleoplevelse.

• Overlegen håndtering af flersproget og blandet sproginput kræves, herunder problemfri sprogskift.

• Kontekstuel forståelse er vigtig (tone, hensigt og samtalenuancer), hvilket reducerer afhængigheden af eksplicitte oversættelseslag.

• Kort ventetid og hurtig respons i realtid er afgørende for oplevelsen.

• Teamet er klar til at investere i test, fintuning, evaluering og sikkerhedsforanstaltninger.

Kompromiser

• Færre tilpasningspunkter.

• Begrænsede stemmemuligheder.

• Stærk afhængighed af promptkvalitet.

• Prissætning og valg af model har større betydning.

• Realtids-talemodellen begrænser dybden af ræsonnement. Det giver dig også mindre fleksibilitet til at bruge tekstbaseret sprogmodelorkestrering med større kapacitet eller specialiserede agenter til avanceret ræsonnement.

• Ræsonnementsdybden med realtids-talemodellen er relativt lavere end ved tekstbaseret sprogmodelorkestrering, da sidstnævnte giver dig mulighed for at anvende den mest avancerede model, når det er nødvendigt.