Voice AI agenti – proč hlasoví chatboti zažívají renesanci

Voice AI agent je hlasový asistent, který zvedne telefon, mluví přirozeně v reálném čase a udělá reálnou akci - objedná termín, odpoví na dotaz, přepojí hovor. Na rozdíl od starých telefonních automatů má dnes latenci pod 200 milisekund, hlas k nerozeznání od člověka a umí i česky. Proto hlasoví chatboti zažívají renesanci a většina českých firem o tom ještě netuší.

Hlasový AI agent mi zavolal a nepoznal jsem to

Vážně. Testoval jsem jeden americký startup a zavolal mi jejich AI agent. Přirozený hlas, reagoval v reálném čase, nezadrhl se ani jednou. Myslel jsem, že je to člověk. Nebyl.

Tohle byl moment, kdy mi došlo, že voice AI přestalo být sci-fi a stalo se byznysovou realitou. A že rozdíl oproti tomu, co jsme znali před dvěma lety, je propastný.

Proč hlasoví AI agenti právě teď?

Hlasová AI tu byla vždycky. IVR automaty, co ti říkají „zmáčkněte jedničku pro obchodní oddělení", existují 20 let. Siri a Alexa jsou tu deset let. Ale tohle je jiná liga.

Stará hlasová AI měla tři zásadní problémy: latenci (čekal jsi na odpověď), robotický hlas (bylo to nepříjemné) a nulový kontext (zapomněla, co jsi řekl před deseti sekundama). Nová generace tohle vyřešila.

ElevenLabs, Vapi a Retell AI přinesly kvalitativní skok. ElevenLabs má odezvu kolem 187 milisekund - to je rychlejší, než mrkneš. Hlasy k nerozeznání od lidských. A kontext celého rozhovoru drží v reálném čase, takže agent ví, o čem jste mluvili před minutou.

Z čeho se voice AI agent skládá?

Každý hlasový agent je poskládaný ze čtyř dílů. Pochopit to pomáhá, když si vybíráš nástroj:

• STT (speech-to-text) - převede tvoji řeč na text.
• LLM - jazykový model (GPT, Claude, Gemini) vymyslí odpověď.
• TTS (text-to-speech) - přečte odpověď přirozeným hlasem.
• Turn-taking model - hlídá, kdy máš domluveno a kdy má agent začít mluvit. Tohle je ta tajná omáčka, díky které to zní jako člověk a neskáče ti do řeči.

ElevenLabs to celé zabalil do produktu ElevenAgents, kde máš STT, TTS i turn-taking pohromadě a doděláš jen napojení na svoje systémy. Vapi a Retell zase fungujou jako orchestrátor - poskládáš si díly sám a máš větší kontrolu.

Kolik voice AI agent stojí?

Účtuje se za minutu hovoru. Pozor ale na jeden trik: uváděná cena často NEobsahuje LLM, telefonii a další díly, takže reálná cena all-in bývá vyšší. Tady je srovnání tří hlavních hráčů:

V přepočtu je to zhruba 2-8 Kč za minutu hovoru. Když si to porovnáš s cenou operátorky na recepci, začne to dávat smysl hodně rychle. Hodina hovorů vyjde na pár stovek korun a agent zvedá telefon 24/7, o víkendu i ve tři ráno.

Na co se voice AI agenti nejvíc hodí?

Nejsilnější use-casy jsou jasné a firmy je nasazujou už teď:

• Recepce a příjem hovorů. Agent zvedne telefon, odpoví na časté dotazy z knowledge base, vezme vzkaz s prioritou, přepojí na správného člověka. Řeší i hovory po zavíračce.
• Rezervace a booking. Napojíš agenta na kalendář (třeba Calendly), on zkontroluje volný termín, domluví ho a potvrdí. Ideální pro ordinace, salony, servisy.
• Kvalifikace leadů. Agent zavolá zájemci, položí kvalifikační otázky a horké leady předá obchodníkovi. Studenou práci odmaká sám.
• Připomínky a potvrzení. Automatické připomenutí termínu, potvrzení objednávky, follow-up. Snižuje no-show.

Vyplatí se to? Spočítejme si to.

Vezmi si menší firmu, kam denně přijde 30 hovorů, každý v průměru 3 minuty. To je 90 minut hovorů denně, zhruba 2 700 minut měsíčně. Při ceně kolem 4 Kč za minutu to vyjde asi na 10 800 Kč měsíčně za agenta, který zvedá telefon nonstop.

Recepční na plný úvazek stojí firmu klidně 35-45 000 Kč měsíčně hrubého a bere telefony jen v pracovní době. Agent nezvedá jen část hovorů - bere ty rutinní (kde je otevřeno, kdy máte volný termín, kolik to stojí) a člověku nechá to, co fakt potřebuje lidský přístup.

Nejde o to nahradit lidi. Jde o to sundat z nich těch 70 % opakujících se hovorů, aby měli čas na to důležité. To je ta reálná hodnota.

Umí voice AI česky?

Ano, a tohle je pro nás zásadní. ElevenLabs podporuje přes 70 jazyků a čeština je mezi nima. To znamená, že hlasový agent umí obsloužit českého zákazníka v jeho jazyce.

Ale buď realista: čeština není angličtina. Skloňování, časování, hovorové výrazy - tady občas ještě uslyšíš, že to není rodilý mluvčí. Za poslední rok se to hodně zlepšilo, ale před ostrým nasazením si agenta pořádně otestuj na reálných hovorech. Nejlíp to zatím funguje na jednoduché, dobře ohraničené scénáře (booking, potvrzení), ne na volnou debatu o čemkoliv.

Kdy voice AI agenta radši NENASAZOVAT?

Ať to není jen hype. Voice AI má svoje limity:

• Citlivé a emočně vypjaté hovory. Reklamace naštvaného zákazníka, krizová linka, zdravotní stížnost - tam chceš člověka. Agent umí přepojit, a to je správně.
• Složité, nestrukturované rozhovory. Když se dotaz může větvit do stovek směrů, agent se ztratí. Funguje nejlíp na jasně vymezené scénáře.
• Když nemáš dořešený proces. Agent nenahradí chybějící systém. Když nemáš kam zapsat rezervaci, hlasový agent ti ji nevykouzlí.
• Latence u složitějšího LLM. Čím chytřejší model za agentem, tím delší může být pauza. Vapi má v defaultu odezvu kolem 1,5 sekundy - to už je v hovoru cítit. Ladění latence je půlka práce.

A ještě jedno: lidi mají právo vědět, že mluví s AI. Neschovávej to. Slušně nasazený agent se představí a nabídne přepojení na člověka. Skrývat to se nevyplácí.

Jak začít?

Nejrychlejší cesta do hry je ElevenAgents - postavíš agenta v pár klicích, vybereš hlas, nahraješ knowledge base a napojíš kalendář. Vapi nebo Retell si vezmi, když chceš plnou kontrolu nad každým dílem a nebojíš se trochy vývojařiny.

Začni na jednom scénáři. Třeba booking termínů nebo příjem hovorů po zavíračce. Otestuj to na reálných hovorech, dolaď latenci a češtinu a teprve pak škáluj. Ten moment, kdy poprvé slyšíš svého agenta domluvit rezervaci sám, je fakt boží.

Voice AI není budoucnost, je to přítomnost. Firmy, co to nasadí teď, budou mít recepci a booking za zlomek nákladů a k dispozici nonstop. A ty, co počkají, budou za dva roky dohánět náskok.