Techniczna architektura platformy
Gdzie można wykorzystać agenta AI?
Technologie AI zmieniły się z eksperymentalnego trendu w główny nurt biznesowy. Firmy masowo wdrażają sztuczną inteligencję do automatyzacji rutyny. Call center stawiają AI rygorystyczne wymagania: natychmiastowe odpowiedzi bez opóźnień, emocjonalna inteligencja do pracy z niezadowolonymi klientami, płynne przekazywanie skomplikowanych przypadków do operatorów, wsparcie wszystkich kanałów komunikacyjnych i korporacyjny poziom niezawodności.
Dla menedżera, który zdecydował się na modernizację systemu obsługi klienta, wybór serwisu staje się prawdziwym bólem głowy. Na rynku jest setki platform AI od technologicznych gigantów po mało znane startupy, każda z własnymi cenami, funkcjami i pułapkami.
Jedna z usług, na którą naszym zdaniem warto zwrócić uwagę — ElevenLabs. Jest to wyspecjalizowana platforma dla komunikacji głosowej. W przeciwieństwie do wielu usług z “uniwersalnymi rozwiązaniami”, ElevenLabs wybrało inną strategię. Zamiast próbować stworzyć platformę “dla wszystkiego”, skupili się na jednym konkretnym zadaniu – stworzeniu jakościowego głosowego agenta AI z minimalnym nakładem czasu na opracowanie i konfigurację.
Techniczna architektura platformy
Co to jest ElevenLabs?
ElevenLabs — To badawcza i wdrożeniowa organizacja w dziedzinie głosowego SI, która podeszła do problemu tworzenia głosowych agentów z nieoczekiwanej strony. Stworzyli Platformę Agenta ElevenLabs — usługę do wdrażania w pełni skonfigurowanych agentów rozmawiających głosowo.
Zaletą tego podejścia jest szczególnie widoczna, gdy porównuje się ją z tradycyjną metodą tworzenia głosowego agenta — procesem, który często przeradza się w skomplikowany i długotrwały projekt:
- trzeba wybrać system rozpoznawania mowy i mieć nadzieję, że rozumie akcenty twoich klientów;
- wybrać model językowy, aby nie halucynował;
- znaleźć system syntezy mowy i sprawdzić, czy nie brzmi jak robot z filmów lat 80-tych;
- zatrudnić zespół programistów na pół roku, aby zmusić wszystko to do współpracy.
Z ElevenLabs wszystko jest prostsze – stworzyli gotowe rozwiązanie.
Główne komponenty systemu
Platforma ElevenLabs składa się z czterech głównych komponentów, które współpracują ze sobą w synchronizacji.
ASR (Automatic Speech Recognition) — model, który rozumie kontekst rozmowy, rozróżnia terminy techniczne, radzi sobie z hałasem tła z otwartego biura lub ulicy. Rozpoznaje akcenty, rozumie, kiedy klient mówi emocjonalnie i szybko, a kiedy niepewnie dobiera słowa. Model został nauczony na milionach godzin rzeczywistych rozmów i jest ciągle udoskonalany.
LLM (Large Language Model) — to sieć neuronowa nauczona na ogromnych ilościach tekstów, która rozumie i generuje mowę ludzką. Prostymi słowy, jest to “mózg” asystenta AI, który pozwala prowadzić sensowne dialogi, odpowiadać na pytania i rozwiązywać problemy.
Ale w przeciwieństwie do wielu platform, które zmuszają do używania ich własnych modeli, ElevenLabs daje wybór: Google Gemini, OpenAI, Anthropic, Custom LLM. Lista obsługiwanych modeli w dokumentacji.
Zgodnie z GDPR (General Data Protection Regulation) platforma oferuje tryb “EU data residency” — wszystkie dane są przechowywane i przetwarzane tylko na serwerach UE. Po aktywacji trybu niektóre starsze wersje Gemini i Claude są niedostępne, ale Custom LLM i OpenAI działają bez ograniczeń.
TTS (Text-to-Speech) — to głos marki. I tutaj ElevenLabs naprawdę robi wrażenie: ponad 5000 głosów w 31 językach. To nie są robotyczne głosy, a żywa mowa z intonacjami, przerwami, emocjonalnym zabarwieniem. Najczęściej klienci nie rozpoznają AI w pierwszych minutach rozmowy — jakość syntezy sprawia, że mowa jest praktycznie nierozróżnialna od ludzkiej.
Custom turn-taking (model ustalania kolejności w dialogu) — sprawia, że rozmowa jest naturalna. Turn-taking określa moment zakończenia frazy lub pauzy użytkownika i przekazuje sygnał agentowi AI, kiedy można włączyć się do rozmowy lub wstrzymać odpowiedź, utrzymując płynny dialog. Jest to jedna z kluczowych technologii, która sprawia, że rozmowa z robotem jest “żywa”, bez niezręcznych pauz czy przerywania. W przeciwieństwie do prostych systemów, które czekają na ciszę X sekund, ten model rozumie kontekst i intonacje.
Modele syntezy mowy
W arsenale ElevenLabs cztery główne modele syntezy mowy, każdy zoptymalizowany pod konkretne scenariusze użycia.
Eleven v3 wspiera ponad 70 języków z doskonałą wymową, potrafi przekazać emocjonalne niuanse — od szczerego współczucia po profesjonalny entuzjazm. Model wspiera dialog wielogłosowy, co pozwala tworzyć scenariusze z kilkoma postaciami. Jedynym ograniczeniem jest 10,000 znaków za jednym razem, co odpowiada około 5-6 stronom tekstu.
Gdzie użyć? Dla wsparcia VIP, usług premium, projektów wizerunkowych, gdzie jakość głosu bezpośrednio wpływa na postrzeganie marki.
Multilingual v2 wspiera 29 głównych języków świata ze stabilną jakością, szczególnie dobry do długich monologów — na przykład, gdy trzeba przeczytać warunki umowy czy szczegółową instrukcję. Również ma limit — 10,000 znaków, i zoptymalizowany specjalnie pod kątem stabilności, a nie emocjonalnego wyrazu. Idealny do standardowego wsparcia i operacji międzynarodowych.
Flash v2.5 opóźnienie wynosi tylko 75 milisekund. Ten model zapewnia praktycznie natychmiastową odpowiedź. Wspiera 32 języki i ma zwiększony limit do 40,000 znaków. Jako bonus — jest o 50% tańszy niż pozostałe modele. Nadaje się do masowych połączeń, obsługi prostych zapytań, na przykład “dowiedz się o saldo” lub “status zamówienia” — wszędzie tam, gdzie prędkość i koszt są ważniejsze niż emocjonalne niuanse.
Turbo v2.5 opóźnienie odpowiedzi systemu 250-300 ms, obsługa 32 języków, limit 40,000 znaków. Ten model zapewnia optymalny balans między jakością głosu, prędkością odpowiedzi i kosztem. Nadaje się do większości scenariuszy call center.
Chociaż pełne przeszkolenie głosowych modeli pod terminologię branżową nie jest jeszcze dostępne, platforma oferuje skuteczne narzędzia do rozwiązania tego problemu.
- Słowniki wymowy pozwalają nastrawić, jak AI wymawia skomplikowane terminy, skróty lub nazwy marek. Na przykład, jeśli produkt nazywa się “XCloud”, ale klienci przyzwyczaili się słyszeć “Eks-Klaud”, a nie “Iks-Klaud”, należy dodać tę regułę do słownika. System zapamięta i będzie używać prawidłowej wymowy we wszystkich rozmowach.
- Tagi pseudonimy (alias tags) działają jak inteligentna zamiana — wskazujesz systemowi, że zamiast technicznego terminu należy wymawiać jego zrozumiały odpowiednik. To szczególnie przydatne dla wewnętrznych kodów produktów lub usług, które w rozmowie z klientem brzmią inaczej.
Takie podejście rozwiązuje większość problemów z wymową bez konieczności kosztownego przeszkolenia całego modelu.
Oprócz wybory konkretnej modelu syntezy, ElevenLabs wspiera funkcję Multi-voice — możliwość użycia różnych głosów dla różnych działów lub scenariuszy. Na przykład, wsparcie techniczne może mówić spokojnym męskim głosem, dział sprzedaży — energicznym żeńskim, a wsparcie VIP — z lekkim brytyjskim akcentem. Ta funkcja tworzy efekt rzeczywistego zespołu, nawet jeśli klient komunikuje się z tym samym agentem. Multi-voice można również wykorzystać do symulacji przekazania rozmowy do “starszego specjalisty” lub do szkolenia agentów poprzez scenariusze rolowe.
Speech Recognition (rozpoznawanie mowy)
Scribe-v1
To nie tylko transkryptor, ale pełnoprawny system rozumienia rozmowy, działający z 99 językami. Pełną listę można znaleźć tutaj.
Dla naszego ukraińskiego biznesu ważne jest, że system rozumie język ukraiński, nawet z lokalnymi cechami wymowy. Co więcej, radzi sobie z sytuacjami, gdy klient w jednej rozmowie mówi to po ukraińsku, to po innym języku — system automatycznie rozpoznaje zmianę języka i prawidłowo zapisuje wszystko, co zostało powiedziane. To rozwiązuje realny problem ukraińskich call center, gdzie operatorzy muszą pracować z klientami w różnych językach.
Główne funkcje rozpoznawania mowy:
- Stemple czasowe na poziomie słów — to zapis czasu każdego słowa w rozmowie. Przydatne do analizy: można szybko znaleźć moment, gdy klient poprosił o menedżera lub chciał anulować usługę;
- Funkcja identyfikacji mówiącego (speaker diarization) automatycznie oddziela głosy różnych osób w rozmowie;
- Dynamiczne oznaczanie audio – system określa emocj— AI identyfikuje ton wypowiedzi mówiącego, zaznacza pauzy, wtrącenia, niepewność w głosie.
Wszystkie komponenty systemu pracują na jeden wynik — stworzenie AI-agenta, nieodróżnialnego od ludzkiego operatora. Naturalna mowa, rozumienie kontekstu, odpowiednie pauzy w dialogu są zebrane w jednej usłudze bez potrzeby łączenia rozwiązania z osobnych części.
Scribe v2 Realtime
Zaawansowana wersja systemu rozpoznawania mowy, zoptymalizowana dla natychmiastowej obróbki rozmów. Wsparcie tych samych 99 języków co Scribe v1, w tym język ukraiński. W przeciwieństwie do podstawowej wersji, która transkrybuje mowę z niewielkim opóźnieniem, wersja w czasie rzeczywistym daje tekst niemal równocześnie z wypowiedzianymi słowami — opóźnienie wynosi mniej niż 300 milisekund.
Kluczowe cechy:
- Strumieniowa obróbka — tekst pojawia się w miarę mówienia, nie czekając na koniec zdania;
- Inteligentna interpunkcja — automatycznie umieszcza kropki, przecinki i znaki zapytania w czasie rzeczywistym;
- Korekcja na żywo — system może poprawić początek zdania, gdy usłyszy kontekst w całości;
- Optymalizacja dla dialogów — lepiej rozumie mowę potoczną, wtrącenia i niekompletne zdania.
ElevenLabs Scribe v2 Realtime może być zaimplementowany zarówno po stronie klienta, jak i serwera. Szczegółowe ustawienia tutaj.
Możliwości platformy
Główne funkcje
Platforma ElevenLabs oferuje zestaw funkcji, które obejmują cały zakres potrzeb nowoczesnego call center. Ale to nie tylko lista możliwości — każda funkcja jest przemyślana z punktu widzenia praktycznego zastosowania w obsłudze klienta.
- Text to Speech (tekst na mowę) — dostępnych jest ponad 5000 wstępnie zainstalowanych głosów w 31 językach. Wsparcie dla klonowania głosów rzeczywistych osób i tworzenia niestandardowych profili głosowych. Zastosowanie: lektorowanie powitań, odpowiedzi, powiadomień.
- Speech to Text (mowa na tekst) — automatyczna transkrypcja audio na tekst z dokładnością 95-98%. Wszystkie rozmowy są zapisywane w formie tekstowej do późniejszej analizy. Możliwości: wyszukiwanie według słów kluczowych, statystyczna analiza częstotliwości terminów, identyfikacja patternów odwołań.
- Voice changer (zmiana głosu) — modyfikacja parametrów głosu, tonu, barwy, tempa mowy, emocjonalnego zabarwienia. Parametry dostosowawcze pozwalają dostosować głos do różnych departamentów i scenariuszy użytkowania.
- Voice isolator (izolacja głosu) — technologia redukcji szumów i ekstrakcji głównego głosu. Filtracja szumów tła do -30 dB. Działa z typowymi zakłóceniami: hałas uliczny, tło biurowe, dźwięki domowe.
- Dubbing (dubbing) — automatyczne tłumaczenie mowy z zachowaniem intonacji i tempa oryginału. Obsługiwane jest synchroniczne tłumaczenie na 31 języków. Opóźnienie tłumaczenia: 200-500 ms.
- Sound effects (efekty dźwiękowe) — biblioteka elementów audio do oprawy dialogów. Zawiera: motywy muzyczne, dźwięki przełączania, sygnały oczekiwania. Możliwość przesyłania własnych plików audio.
- Voice cloning & design (klonowanie i projektowanie głosów) — stworzenie cyfrowej kopii głosu na podstawie 5-30 minut nagrania. Dokładność odtwarzania wynosi 85-95% według metryki MOS (Mean Opinion Score).
- Conversational AI (rozmowny SI) — integracja wszystkich komponentów do prowadzenia dialogów. Wspiera kontekstowe rozumienie, zarządzanie stanem dialogu, obsługę przerw, powrót do poprzednich tematów rozmowy.
Obsługiwane formaty
Techniczna elastyczność platformy przejawia się w szerokim wsparciu formatów audio. Jest to ważne dla kompatybilności z istniejącą infrastrukturą call center.
PCM (Pulse Code Modulation — modulacja impulsowo-kodowa) — jest to nieskompresowany format audio. Platforma obsługuje wszystkie popularne częstotliwości próbkowania:
- 8 kHz dla klasycznej telefonii;
- 16 kHz dla szerokopasmowej komunikacji;
- 22.05 kHz dla jakości FM-radio;
- 24 kHz dla profesjonalnego audio;
- 44.1 kHz dla jakości CD.
Oznacza to, że niezależnie od używanego przez twoje call center sprzętu — od starych analogowych central telefonicznych do nowoczesnych systemów VoIP — platforma będzie działać bez problemów.
μ-law (prawo μ) 8000Hz — klasyczny algorytm kompresji dla telefonii, używany w Ameryce Północnej i Japonii. Jeśli twoje call center pracuje z systemami legacy lub musi być zgodne ze standardami telekomunikacyjnymi określonych krajów, wsparcie dla μ-law jest kluczowe. Zapewnia kompatybilność z tradycyjnymi sieciami telefonicznymi i starym sprzętem, który jest nadal szeroko używany w branży.
Metody integracji
ElevenLabs rozumie, że każde call center ma swoją unikalną infrastrukturę techniczną, dlatego oferuje wiele sposobów integracji:
- HTTP requests — uniwersalna metoda przez REST API. Wysłałeś żądanie — otrzymałeś odpowiedź. Prosto i niezawodnie;
- WebSocket — dla komunikacji w czasie rzeczywistym bez opóźnień. Stałe połączenie zapewnia natychmiastową wymianę danych w obie strony. Niezbędne do żywych dialogów;
- Python SDK — gotowa biblioteka dla języka Python. Stworzenie głosowego agenta w kilka linii kodu. Wygodne do szybkiego tworzenia prototypów i testowania;
- Node.js libraries — biblioteki dla JavaScriptu. Pozwalają zintegrować agentów w aplikacjach internetowych, systemach CRM i interfejsach operatorów.
Platforma mówi językiem nowoczesnego rozwoju i łatwo integruje się z dowolną infrastrukturą techniczną.
Praktyczne wdrożenie
Podłączenie głosowego agenta to więcej niż tylko konfiguracja samego bota. Proces obejmuje raportowanie, monitoring, integracje i inne narzędzia tworzące kompletny system komunikacji.
Aby rozpocząć, potrzebna jest autoryzacja w systemie. Na stronie elevenlabs.io jest przycisk “Sign Up”. Do rejestracji wymagany jest tylko e-mail i hasło – bez długich formularzy czy kart kredytowych. Po potwierdzeniu e-maila dostęp do platformy jest otwarty.
Tworzenie agenta odbywa się w dashboardzie przez przycisk “Create Agent”. Jest to czysta konfiguracja, która jest dostosowywana do konkretnych zadań:
- Nazwa agenta może być dowolna – “Obsługa Klienta”, “Konsultant ds. Produktów”. System automatycznie generuje unikalny ID dla każdego bota.
- Ustawienia językowe obejmują główny język interfejsu i dodatkowe języki, pomiędzy którymi klienci będą mogli przełączać się podczas rozmowy.
- Wiadomość powitalna określa pierwsze zdanie agenta. Przy pustym polu agent będzie czekał, aż klient rozpocznie dialog.
- Prompt systemowy określa tożsamość agenta i kontekst rozmowy – jest to główna instrukcja określająca zachowanie AI.
- Głos — ponad 5000+ głosów w 31 językach z możliwością dostosowania kluczowych parametrów: Stability (stabilność prezentacji od emocjonalnej do monotonnej), Similarity Boost (bliskość oryginału) i wybór modelu syntezy. Można stworzyć słownik wymów dla specyficznych terminów i sklonować dowolny głos z 5-30 minut nagrania.
- Zmienne dynamiczne — pozwalają wprowadzać wartości czasu wykonania do komunikatów agenta, systemowych wskazówek i narzędzi. To pozwala personalizować każdy dialog, używając danych specyficznych dla użytkownika, bez tworzenia wielu agentów.
- Knowledge base (baza wiedzy) – można przesłać pliki lub dodać linki do witryny (w wersji darmowej liczba jest ograniczona).
- Retrieval-Augmented Generation (RAG) — to technologia, która pozwala głosowemu lub czat-agentowi uzyskać dostęp do dużych baz wiedzy podczas dialogu. Zamiast ładować do kontekstu cały dokument, RAG wydobywa tylko najbardziej relewantne fragmenty informacji dla konkretnego zapytania użytkownika. W ElevenLabs ten proces jest zautomatyzowany — wystarczy go aktywować, przesuwając suwak w ustawieniach agenta, a każdy dokument z bazy wiedzy powinien przekraczać 500 bajtów. Po włączeniu RAG wszelkie dodane pliki są indeksowane, a baza wiedzy jest podzielona na małe fragmenty (chunks), zwykle po 100–500 tokenów. Każdy chunk stanowi logicznie zakończony akapit lub sekcję tekstu. Dzięki temu agent może szybciej odnaleźć potrzebne informacje idawać bardziej precyzyjne, kontekstowo relewantne odpowiedzi. Jednak RAG posiada również ograniczenia:
- Nie określa, które dane są nowsze lub bardziej aktualne;
- Nie potrafi automatycznie rozwiązywać sprzeczności między wersjami dokumentów (na przykład, jeśli w jednym pliku jest napisane „14 dni na zwrot”, a w drugim — „30 dni”);
- Nie sprawdza logicznej konsystencji informacji — model może otrzymać sprzeczne dane i wydać sprzeczne odpowiedzi.
- Narzędzia — ten blok zapewnia dostęp agenta AI do dodatkowych działań, na przykład: zakończenie dialogu jako pierwszy, ustalenie języka, przekazanie klienta innemu agentowi AI lub numerowi telefonu, aby połączyć się z operatorem.
Po naciśnięciu przycisku “Test Agent” otwiera się symulator rozmowy, w którym możesz zadać typowe pytania klientów. Agent odpowiada, używając wczytanej informacji. W rezultacie w ciągu 15 minut uzyskujesz działającego agenta AI. Jest to tylko początkowy etap, później następuje optymalizacja, konfiguracja i integracja, ale już po kwadransie można uzyskać prototyp.
Bezpieczeństwo dostępu jest równie ważnym aspektem. Każdy agent ma unikalny identyfikator (Agent ID), który należy przechowywać jak hasło: nie publikować i nie przekazywać otwarcie.
W ElevenLabs można włączyć uwierzytelnianie przez klucze API, OAuth lub tokeny JWT, aby zapobiec nieautoryzowanemu połączeniu. Dla użytkowników korporacyjnych dostęp można ograniczyć według adresów IP, zezwalając na połączenia tylko z zaufanych sieci.
Gdzie można wykorzystać agenta AI?
W praktyce agenci AI są już wykorzystywani w różnych dziedzinach:
- W usługach wsparcia przejmują zapytania, rozwiązując typowe pytania bez udziału operatorów;
- W handlu detalicznym pomagają dobierać produkty i śledzić zamówienia, działając jako osobiste konsultantki;
- Wewnętrzni asystenci AI w firmach przypominają o spotkaniach i znajdują potrzebne dokumenty;
- W dziedzinie edukacji online agenci AI pracują w formacie interaktywnych tutorów, które wyjaśniają tematy, zadają pytania i sprawdzają zrozumienie materiału.
Ważne jest zrozumienie głównego — agenci AI nie zabierają pracy operatorom, ale uwalniają ich od rutyny. Zamiast redukcji, pracownicy otrzymują nowe role:
- AI-trenerzy — szkolą i udoskonalają agentów AI;
- Projektanci Workflow — tworzenie scenariuszy bez programowania;
- Specjaliści ds. eskalacji — praca tylko ze skomplikowanymi przypadkami;
- Analitycy rozmów — analiza 100% dialogów zamiast 2%, ale nie ręcznie, a za pomocą agentów AI.
Agenci AI — to nie zagrożenie, ale narzędzie ewolucji call center. Im więcej zadań przejmuje sztuczna inteligencja, tym więcej czasu u operatorów na rozwiązywanie naprawdę ważnych problemów, a nie mechaniczne przestrzeganie skryptów.
Analityka i monitoring
Gdy słyszymy słowa „monitoring, kontrola jakości, analityka” od razu pojawia się obraz nadzorcy, który godzinami przesłuchuje rozmowy operatorów i czyni adnotacje na kartkach oceny.
Tradycyjna kontrola jakości — to próbkowe przesłuchiwanie 2-5% rozmów, gdzie wynik zależy wyłącznie od oceny kontrolującego. Jest to drogie, subiektywne i obejmuje znikomy udział rzeczywistych interakcji. A tutaj ElevenLabs odwraca tę paradygmatę, automatycznie oceniając 100% rozmów.
Nie, nie oznacza to, że nie potrzebujesz już OQC, po prostu teraz nadzorcy przestają być „słuchaczami” i stają się analitykami danych i strategami jakości.
System ElevenLabs bierze na siebie rutynę — automatycznie analizuje każdą rozmowę, ocenia realizację celów i rejestruje, gdzie agent AI poradził sobie, a gdzie nie.
Podstawowa zasada pracy
Po zakończeniu połączenia ElevenLabs automatycznie tworzy transkrypt rozmowy, a następnie analizuje go według tych parametrów, które sami ustawiliście.
System nie „zgaduje”, co szukać — śledzi wasz schemat z sekcji„ Analiza”.
W ustawieniach AI-agenta można ustawić metryki do oceny rozmowy — Evaluation criteria i charakterystyki danych do ekstrakcji — Data extraction.
Taki system oceny zapewnia przejrzystość i dokładność analizy. Eliminuje czynnik ludzki i subiektywne oceny. Zamiast próbkowej kontroli, jak w klasycznym OQC, tutaj analizowanych jest 100% rozmów.
Metryki i ocena rozmów
Sekcja Analysis → Evaluation settings — to centrum zarządzania jakością. Tutaj określa się system, według którego platforma ocenia efektywność pracy agentów AI i jakość obsługi klientów. To te same arkusze oceny, do których przywykł każdy nadzorca, ale teraz nie trzeba przesłuchiwać rozmów i ręcznie wypełniać tabel.
Podstawowa analityka jest dostępna od taryfu “Pro”- binarna ocena wyniku (sukces/niepowodzenie), podstawowa analiza nastroju, trzy predefiniowane kryteria i prosta statystyka sukcesu. Przy wyborze droższych taryf – funkcjonalność narzędzia będzie rozszerzana:
- Scale – ocena w skali 1–10, do 20 kryteriów z możliwością dostosowania wag, śledzenie CSAT/NPS i analiza przyczyn niepowodzeń;
- Business – wszystkie wymienione funkcje + testy A/B, porównanie agentów i automatyczne rekomendacje;
- Enterprise – bez ograniczeń + własne modele ML, integracje i prognozowanie sukcesu.
Każde kryterium oceny to czytelna reguła, według której system będzie oceniał rozmowę. Możesz ustawić jedno lub kilka warunków, w zależności od zadań swojego biznesu.
Na przykład:
- „Problem rozwiązany bez udziału operatora” — kluczowy wskaźnik dla agenta AI. Jeśli klient nie został przekierowany do „żywego” pracownika i otrzymał rozwiązanie, rozmowa jest uznawana za udaną;
- „Klient potwierdził rozwiązanie” — system szuka fraz typu “Dziękuję, wszystko jasne”, “Tak, problem rozwiązany”, “Doskonale, wszystko działa”. To sygnał, że sprawa jest zamknięta;
- „Czas rozmowy mniejszy niż 7 minut” — pomaga śledzić efektywność. Próg można ustawić dowolnie, na przykład 10 lub 15 minut;
- „Emocja klienta na końcu — pozytywna” — AI określa ton mowy klienta (po słowach, kontekście i intonacji, jeśli włączona jest analiza audio). Jeśli finał jest pozytywny — punkt na plus.
Po zakończeniu rozmowy, proces analizy uruchamia się automatycznie. Najpierw system tworzy transkrypt rozmowy — pełną tekstową transkrypcję dialogu. Następnie dzieli ją na logiczne bloki: powitanie, wyjaśnianie szczegółów, poszukiwanie rozwiązania i zakończenie komunikacji. Każdy z tych fragmentów jest porównywany z ustalonymi kryteriami oceny, aby określić, czy spełnione były potrzebne warunki — czy problem został rozwiązany, czy klient pozostał zadowolony, czy rozmowa zmieściła się w ramy czasowe.
Po ocenie system formułuje nie tylko wynik końcowy, ale także uzasadnienie do niego — swoisty raport. Jeśli rozmowa otrzymała niską ocenę, ElevenLabs wskaże, dlaczego: na przykład agent nie sprawdził, czy klient jest zadowolony z rozwiązania, nie zaproponował dodatkowej pomocy lub przerwał rozmowę zbyt wcześnie. W ten sposób platforma nie tylko ocenia, ale pomaga zrozumieć przyczynę błędu i punkt do poprawy.
Ekstrakcja danych z rozmowy
Główna konfiguracja znajduje się w sekcji Agent → Analysis → Data extraction.
Tutaj tworzona jest schemat (zwykle w formacie JSON), w którym opisano, co dokładnie należy ekstrahować z rozmowy.
Po tym każda rozmowa jest analizowana automatycznie — AI przegląda transkrypt i wypełnia te pola. Jeśli w rozmowie brakowało potrzebnych informacji, pole pozostaje puste.
W istocie, Data extraction to mózg analityki. Określa, co traktować jako „dane”, a co po prostu jako tekst rozmowy. Za pomocą tego narzędzia można wyekstrahować:
- dane klienta (imię, telefon, ID zamówienia);
- istotę zapytania („problem z płatnością”, „żądanie funkcji”, „skarga”);
- emocje (negatywne, pozytywne, neutralne);
- wynik rozmowy („pytanie rozwiązane”, „oczekuje na potwierdzenie”, „zaesklowano”);
- dodatkowe detale — produkt, miasto, powód zwrotu itp.
Funkcja automatycznie rozpoznaje i zapisuje podstawowe informacje: imiona, kontakty, daty i krótkie streszczenia do 100 słów. Dane są przechowywane tylko w wewnętrznym magazynie z możliwością eksportu ręcznego do CSV. Przy wyborze bardziej zaawansowanych taryf – możliwości ekstrakcji znacznie się rozszerzają:
- Scale — do 50 dostosowywalnych pól z wzorcami regex, wydobywanie skomplikowanych struktur (adresy, numery zamówień), szczegółowe streszczenia i automatyczne wykrywanie kluczowych fraz. Dane przesyłane są za pośrednictwem webhooków w czasie rzeczywistym, dostępne jest API i autoeksport do Google Sheets;
- Business — nieograniczona liczba pól, praca z złożonymi obiektami biznesowymi, multi-turn extraction (zbieranie danych z kilku wypowiedzi), wbudowana walidacja i OCR (Optical Character Recognition) dokumentów. Bezpośrednia integracja z systemami CRM, konektory baz danych i magazyny w chmurze;
- Enterprise — ekstrakcja na bazie AI z dostosowywanymi modelami NER, powiązywanie danych między rozmowami i automatyczne przetwarzanie danych osobowych. Integracja z dowolnymi systemami korporacyjnymi, wdrażanie na serwerach własnych i magazyny danych zgodne z HIPAA dla danych medycznych.
Tak więc, Data extraction w ElevenLabs to narzędzie, które przekształca zwykłe rozmowy w uporządkowane dane, zrozumiałe dla systemu i użyteczne dla biznesu.
Co robi system po analizie?
Po ekstrakcji danych przez AI, wszystkie informacje są zapisywane w sekcji Evaluate → Conversations, gdzie można otworzyć konkretne połączenie i dokładnie przeanalizować wynik. Wyekstrahowane informacje są automatycznie strukturyzowane — system pokazuje temat rozmowy, emocje klienta i wynik interakcji.
Następnie uruchamiane są scenariusze Post-call: ElevenLabs może automatycznie stworzyć bilet w Zendesk, Jira lub innym systemie, zaktualizować dane w CRM, wysłać klientowi wiadomość follow-up lub aktywować webhook dla niestandardowej automatyzacji dalszych procesów.
Ograniczenia i aspekty techniczne
- ElevenLabs analizuje tylko to, co zostało ustawione w konfiguracji, nie ma żadnego “magicznego” rozpoznawania;
- Jedna rozmowa jest analizowana do 10 000 znaków tekstu (dłuższe są dzielone na części);
- Maksymalna liczba pól do ekstrakcji — 20;
- Długość rozmowy i dostępna funkcjonalność do analizy:
- do 10 min na Starter i tylko podstawowa statystyka;
- do 60 min na Pro – zawiera Data extraction, ocenę rozmów, Webhooks i integracje CRM;
- bez ograniczeń na Enterprise- dodaje rozszerzone raporty, API do funkcjonalności dostępnej w wersji Pro;
- Analiza trwa od 1 do 5 minut po zakończeniu połączenia.
Rzeczywisty funkcjonalność analityczny staje się dostępny z taryfą Pro.
W praktyce analityka ElevenLabs — to nie „inteligentny monitoring, który wszystko rozumie sam”, ale konfigurowalny system, który dokładnie wykonuje to, co mu opisano.
Jeśli ustawić odpowiednie pola i zrozumiałe kryteria, staje się potężnym narzędziem do analizy 100% rozmów. Jeśli nie — po prostu tworzy transkrypcje bez sensu.
Workflow w ElevenLabs
Workflow to wbudowany konstruktor wizualny wewnątrz platformy do tworzenia złożonych scenariuszy agentów AI. To nie jest oddzielne narzędzie, ale część jednolitego systemu zarządzania agentami.
Aby stworzyć lub zmienić scenariusz pracy, otwórz panel Agents Platform, wybierz potrzebnego agenta i przejdź do zakładki Workflows. Tutaj możesz kliknąć Create New Workflow, aby stworzyć nowy scenariusz, lub wybrać już istniejący do edycji.
Cechy edytora ElevenLabs:
- Interfejs przeciągnij i upuść bez kodu — scenariusze są budowane wizualnie, bez potrzeby programowania;
- Podgląd w czasie rzeczywistym — można od razu zobaczyć, jak agent wykona zadane działania;
- Integracja z Test Agent dla weryfikacji — pozwala przetestować scenariusz bez prawdziwych połączeń;
- Śledzenie zmian — system automatycznie zapisuje zmiany, i w razie potrzeby można wrócić do dowolnej wcześniejszej wersji.
Logika i struktura Workflow: Conditions i Nodes
W ElevenLabs Workflow cała praca opiera się na zasadzie „warunek → działanie”. To nie tylko sekwencja kroków, ale elastyczny system podejmowania decyzji, gdzie agent analizuje kontekst rozmowy, stan klienta i dane z zewnętrznych systemów, aby wybrać odpowiednie działanie w czasie rzeczywistym.
Conditions (warunki przejść)
Conditions określają, kiedy i w jakich okolicznościach agent powinien przejść do następnego etapu scenariusza. To mózg Workflow, który analizuje kontekst rozmowy i zarządza zachowaniem agenta. W ElevenLabs wspierane są cztery typy warunków:
- LLM conditions — oparte na rozumieniu sensu wypowiedzi klienta przez model językowy (GPT, Claude, Gemini). Agent identyfikuje intencję, na przykład „zwrócić produkt” lub „porozmawiać z operatorem”, i uruchamia odpowiednią gałąź.
- Tool results — logika oparta na odpowiedzi zewnętrznego systemu. Na przykład, API zwróciło „płatność potwierdzona” — agent zgłasza wynik; „błąd 404” — proponuje pomoc operatora.
- System variables — wewnętrzne zmienne platformy: czas trwania rozmowy, język, emocjonalny ton klienta, pora dnia itd. Na przykład: „jeśli rozmowa trwa dłużej niż 10 minut — przekazać do operatora”.
- Custom rules — niestandardowe reguły ustawione poprzez bazę wiedzy lub promptów agenta. Pozwalają dodać specyficzne scenariusze, na przykład: „jeśli wspomniano o zniżce i klient jest zirytowany — zaoferować kupon”.
Tak więc, conditions odpowiadają za analizę sytuacji i wybór odpowiedniego scenariusza.
Nodes (węzły akcji)
Nodes określają, co dokładnie powinien zrobić agent, gdy warunek zostanie spełniony. Każdy węzeł to konkretne działanie lub etap rozmowy.
- Subagent node — unikalna funkcja ElevenLabs, umożliwiająca „na żywo” zmienić zachowanie agenta: zmienić głos, wybrać inną LLM (GPT, Claude, Gemini) lub bazę wiedzy — wszystko bez przerwania dialogu.
- Tool node — odpowiada za interakcje z zewnętrznymi systemami. Wspiera zmienne dynamiczne ({{customer_name}}, {{order_id}} etc.), które są automatycznie podstawiane do zapytań do API lub webhooków.
- Transfer node — używany do przekazania rozmowy do operatora. Przy tym system automatycznie tworzy krótkie podsumowanie rozmowy i wysyła go przez webhook do CRM lub systemu ticketowego, aby operator od razu widział kontekst.
- End call node — kończy rozmowę i uruchamia postprocessing: zapisywanie transkryptu, ocenę jakości i analitykę.
Workflow działa jak drzewo decyzji: agent otrzymuje dane → sprawdza warunki → wybiera odpowiedni węzeł → wykonuje działanie → wraca do analizy.
Ta struktura czyni scenariusze nie linearnymi, lecz inteligentnie adaptacyjnymi — agent reaguje na rzeczywiste intencje klienta, zamiast po prostu podążać za wcześniej zaprogramowanym skryptem.
Automatyzacja procesów roboczych jest częściowo dostępna z taryfy Pro — podstawowe wyzwalacze, powiadomienia email i proste warunki “jeśli — to”. Jednak kluczowa funkcja Transfer Agent (przekazywanie rozmów operatorom) w tej taryfie nie jest dostępna. Rzeczywiste możliwości otwierają się na wyższych taryfach:
- Scale — przekazywanie rozmów operatorom według słów kluczowych lub typu zapytania, priorytetyzacja kolejki. Wieloetapowe scenariusze z warunkową logiką, zaplanowane działania, automatyczne ponowne inicjatywy. Pełna integracja z Zapier, Make, API dla czytania/zapisywania, Slack i Teams;
- Business — wieloagentowa dystrybucja z “skill-based” alokacją, balansowanie obciążenia, agenci rezerwowi. Złożone rozwidlenia, równoległe procesy, dostosowywane wyzwalacze i operacje masowe. Bezpośrednia integracja z Salesforce, HubSpot, Zendesk;
- Enterprise — omnikanałowa dystrybucja (głos, czat, poczta w jednym systemie), AI-dystrybucja na podstawie historycznych danych, dostosowywane ścieżki eskalacji. Wizualny konstruktor procesów biznesowych, automatyzacja oparta na zdarzeniach, modułowa architektura do złożonych integracji. Integracja z SAP, Oracle, systemami korporacyjnymi, SSO/SAML oraz wdrożenie w prywatnej chmurze.
Omnikanałowe komunikacje
Współczesny klient nie chce być ograniczony do jednego kanału komunikacji. Rano dzwoni, w ciągu dnia pisze w czacie, wieczorem korzysta z widgetu na stronie. Prawdziwa omnichannelowość to nie tylko dysponowanie różnymi kanałami komunikacji, ale ich płynna integracja w jednym systemie.
Integracje telefoniczne
ElevenLabs integruje się z dowolnymi systemami telefonicznymi – od tradycyjnych biurowych central telefonicznych po nowoczesne platformy chmurowe.
SIP Trunking — ElevenLabs jest kompatybilny z większością standardowych dostawców SIP-trunk, w tym Twilio, Vonage, RingCentral, Sinch, Infobip, Telnyx, Exotel, Plivo, Bandwidth i innych, którzy obsługują standardy protokołu SIP.
Szczegóły techniczne:
- Obsługiwane kodeki audio: G711 8kHz lub G722 16kHz;
- Podpora dla TLS transport i SRTP media encryption dla zwiększonego bezpieczeństwa;
- Dostępne są statyczne IP dla korporacyjnych klientów, którzy wymagają białej listy adresów IP.
Twilio — natywna integracja do obsługi zarówno połączeń przychodzących, jak i wychodzących.
Dwa typy numerów Twilio:
- Purchased Twilio Numbers (pełne wsparcie) – obsługują połączenia przychodzące i wychodzące;
- Verified Caller IDs (tylko wychodzące) – można używać istniejących numerów biznesowych do wychodzących połączeń AI.
Funkcje telefoniczne
Przekazywanie do operatora – obsługuje przekazywanie do zewnętrznych numerów telefonicznych za pośrednictwem SIP trunking i Twilio. Dostępne są dwa metody przekazywania: Conference Transfer i SIP REFER
Batch Calling (masowe połączenia) – dostępne dla numerów połączonych przez Twilio lub SIP trunking.
ElevenLabs działa praktycznie z każdym systemem telefonicznym, jeśli obsługuje SIP (to 99% nowoczesnych central telefonicznych), będziesz mógł podłączyć agentów AI bez konieczności wymiany sprzętu.
Integracja Widget – AI-agent na stronie
Jeśli telefonia to znany instrument centrów kontaktowych, to web widgety są teraźniejszością i przyszłością. ElevenLabs oferuje integrację agenta AI na stronie. Podstawy są na tyle proste, że każdy marketer bez technicznego tła da sobie z tym radę. Fragment kodu należy umieścić na stronie, w sekcji <body> oraz w głównym pliku <index.html>, aby zapewnić dostęp do widgetu na wszystkich stronach. W panelu zarządzania można dostosować kolory, rozmiary i położenie widgetu zgodnie z projektem strony internetowej. Dla bardziej zaawansowanych użytkowników dostępne jest SDK dla pełnej kontroli nad konfiguracjami.
Widget wspiera trzy tryby pracy:
- Voice-only dla tych, którzy wolą mówić — wygodne na urządzeniach mobilnych, gdzie wprowadzanie tekstu jest niewygodne;
- Voice+text pozwala przełączać się między modalnościami — zacząć głosem, a następnie przejść na tekst, gdy znajdziesz się w hałaśliwym miejscu;
- Chat mode dla „cichych” biur czy późnych godzin, kiedy mówienie jest niewygodne.
Widget spełnia podstawowe potrzeby: samoobsługę klientów, zbieranie leadów i szybką pomoc bez oczekiwania na operatora. To już nie tylko chatbot w rogu ekranu, ale pełnoprawny głosowy asystent wpleciony w waszą stronę internetową.
Wybór optymalnego kanału dla każdego zadania zwiększa efektywność. Telefonia pozostaje dla skomplikowanych emocjonalnych pytań, gdzie ważna jest empatia, a Widget jest idealny dla scenariuszy samoobsługi, gdy klient sam chce znaleźć informację.
Cennik
ElevenLabs oferuje przejrzysty i przewidywalny model cenowy, który skaluje się wraz z firmą. Brak ukrytych opłat, skomplikowanych kalkulatorów czy nieoczekiwanych rachunków na koniec miesiąca.
Plany taryfowe
Mechanizmy optymalizacji kosztów
ElevenLabs rozumie, że wdrożenie nowej technologii wymaga eksperymentów i konfiguracji, dlatego oferuje kilka sposobów na znaczące oszczędności.
- Tryb konfiguracji i testowania — Wszystkie operacje konfiguracji i testowania są taryfikowane za połowę ceny. Można dowolnie eksperymentować z promptami, testować różne scenariusze, przeprowadzać testy obciążeniowe – i płacić o połowę mniej;
- Inteligentna taryfikacja przerw — rozwiązanie dla prawdziwych rozmów. Gdy cisza w rozmowie przekracza 10 sekund, platforma automatycznie obniża intensywność pracy modeli turn-taking i speech-to-text. Te okresy milczenia są taryfikowane jedynie na 5% standardowej stawki. Klient poszedł szukać dokumentów na 2 minuty? Zapłacisz jak za 6 sekund. W prawdziwych rozmowach, przerwy stanowią 20-30% czasu, co daje znaczące oszczędności.
- Tryb tekstowy otwiera ogromne możliwości optymalizacji. Rozmowy wyłącznie tekstowe mają limity jednoczesności 25 razy wyższe niż w przypadku rozmów głosowych. Jeśli twój plan pozwala na 20 jednoczesnych rozmów głosowych, to w przypadku czatów tekstowych może być ich 500. Dla prostych zapytań typu “sprawdź saldo” lub “status zamówienia” tryb tekstowy jest idealny — szybko, tanio, efektywnie.
Dodatkowe koszty
Ważne jest, aby rozumieć pełny zakres kosztów, w tym dodatkowe wydatki, o których platforma szczerze informuje.
- Koszty LLM (koszty modeli językowych) działają na zasadzie przezroczystej taryfikacji (pass-through pricing). Do twojego podstawowego rachunku za subskrypcję ElevenLabs automatycznie dodawana jest wartość zużytych tokenów LLM, która jest obliczana według oficjalnych taryf dostawcy wybranego modelu. W zależności od twoich potrzeb, możesz wybrać: GPT-4 od OpenAI — dodaje około 0,01-0,03 USD za minutę rozmowy, optymalny balans jakości i kosztów. Claude od Anthropic może być droższy, ale zapewnia wyższą jakość odpowiedzi. Google Gemini często okazuje się najbardziej ekonomiczną opcją.
Ilość i koszt wysłanych i otrzymanych tokenów można śledzić dla każdej rozmowy oddzielnie — informacje są wyświetlane w metadanych rozmowy; - Tryb multimodalny — to, gdy klient może zarówno mówić, jak i pisać w jednej rozmowie. Na przykład, zaczął od głosu, potem przeszedł na tekst (wszedł do metra), a następnie znowu na głos. Jak liczone są opłaty: głos — płacisz za minuty rozmowy, tekst — płacisz za każdą wiadomość.
ElevenLabs — to gotowy ekosystem do tworzenia głosowych agentów AI, zdolny zastąpić miesiące rozwoju kilkoma tygodniami konfiguracji. Platforma łączy prędkość wdrożenia, przejrzyste taryfowanie i potężne funkcje na poziomie przedsiębiorstwa, pozostając dostępną dla biznesu każdej wielkości.
Nie czyni cudów „od razu” — wymaga skrupulatnej konfiguracji, wysokiej jakości bazy wiedzy i regularnej optymalizacji. Ale przy prawidłowym ustawieniu, ElevenLabs przekształca się w niezawodnego cyfrowego pracownika, który przejmuje rutynę, pozostawiając ludziom zadania, w których ważne są empatia i kreatywność.
ElevenLabs demonstruje, jak technologie AI głosowego przechodzą z dziedziny eksperymentów do kontrolowanych rozwiązań. To krok w kierunku nowej architektury komunikacji, gdzie maszyna nie zastępuje człowieka, ale staje się jego asystentem.
