Hvordan fungerer en AI-stemmeagent? Hele opkaldet bliver på jeres servere

Opkaldet kommer ind via jeres SIP-udbyder eller telefonanlæg. Derfra sker alt – talegenkendelse, beslutning om svaret, talesyntese, optagelser – i jeres infrastruktur.

Arkitektur

Illustration: Illustration: on-premise AI-callcenter – data bliver i jeres lokaler JERES LOKALER – DATA FORLADER DEM ALDRIG AI Fortis GPU-server talegenkendelse · stemme · hub Sprogmodel lokal (valgfrit) SIP-trunk / telefonanlæg Jeres CRM / ERP Opkalder jeres udbyder (API) Illustration
Med jeres LLM-udbyder via API forlader kun teksten i replikkerne lokalerne; med en lokal LLM intet.

Komponenterne

Telefonigateway

Kører på jeres server og forbinder til jeres SIP-trunk eller PBX. Indgående og udgående opkald, optaget-genkendelse, viderestilling til en kollega.

Talegenkendelse

Vores egen talegenkendelse, der kører på GPU-serveren, tilpasset telefonlyd og hvert sprog, vi leverer.

Stemme

Vores egne neurale stemmer, optimeret til telefonsamtaler og korrekt tryk. En særlig stemme til jeres brand efter ønske.

Samtalestyring

Hvem der taler hvornår, når opkalderen afbryder, pauser, beskyttelse mod gentagelser, AI-oplysning og besked om optagelse.

Sprogmodel

Formulerer svarene og beslutter, hvornår et værktøj skal bruges. Jeres eksisterende udbyder via API eller en fuldt lokal model uden internet.

Kontrolrum

Agenter og versioner, kampagner, spærreliste, opkaldstider, optagelser, udskrifter, dataudtræk, kundeportaler, roller, revisionslog.

Vejen for én replik – med målte tider

Illustration: Illustration: én replik i et opkald med målte tider
Opkalder
SIP-gateway
Talegenkendelse
Sprogmodel + værktøjer
Stemme
besvaret på 0,14–0,31 s første lyd 136 ms (median) slut på tale → første lyd 1,4 s (median, testopkald) Illustration
  1. Opkalderen taler; lyden når via SIP frem til gatewayen på jeres server.
  2. Talegenkendelsen omsætter tale til tekst, mens opkalderen stadig er ved at tale færdig.
  3. Sprogmodellen beslutter svaret og kalder om nødvendigt et værktøj (f.eks. en saldoforespørgsel i CRM).
  4. Stemmen syntetiserer svaret i bidder, så den første lyd starter, før hele svaret er klar.
  5. Opkald, transskription og udtrukne felter gemmes i hubben; en webhook giver jeres systemer besked.

Tiderne er laboratorie- og testopkaldsmålinger (oktober 2026). Den samlede tid pr. replik afhænger mest af den sprogmodel, I vælger.

Hvad der sker på jeres servere under et opkald

Et opkald når jeres telefoni-gateway via jeres eksisterende SIP-trunk eller omstilling. Derfra går det til vores egen talegenkendelse, som omdanner den ringendes ord til tekst inde i jeres bygning. Samtalelaget afgør, hvad der skal ske derefter, med den sprogmodel, I vælger: jeres eksisterende udbyder via et API, hvor kun teksten fra replikkerne sendes, eller en helt lokal model uden internetforbindelse.

Har agenten brug for data, kalder den jeres systemer via HTTP-værktøjer og bruger kun de handlinger, I har tilladt. Svaret går derefter til vores egne stemmemodeller, som siger det tilbage ind i opkaldet. Optagelser, udskrifter og logfiler bliver på jeres servere, med den opbevaringstid, I fastsætter pr. kunde.

Fordi hvert trin kører i jeres infrastruktur, kan jeres sikkerhedsteam kontrollere dataflowet, netværksreglerne og revisionsloggen på samme måde som for ethvert andet internt system. Intet i opkaldet afhænger af en tale-skytjeneste, så I bevarer kontrollen over både data og omkostninger.

Under et pilotforløb måler vi disse trin på jeres egen hardware og med jeres valgte sprogmodel, fordi den model står for størstedelen af forsinkelsen. I får tallene for jeres opsætning, og jeres team ser, hvordan agenten opfører sig i rigtige opkald, før noget rulles ud. Det samme kontrolrum viser derefter live-opkald, kampagner, optagelser og revisionsloggen for hver agent.

Hardware og kapacitet

Vi leverer enterprise-GPU-servere dimensioneret efter jeres volumen. Dette målte vi på en af vores laboratorieservere:

KonfigurationSamtidige opkaldStemmens første lyd (median / p95)
Enterprise-GPU-server – standardindstilling50.000+136 / 178 ms
Enterprise-GPU-server – indstilling for maksimal nøjagtighed16p95 156 ms
Server kun med CPU (små installationer)697 / 179 ms

Målt med reel talegenkendelse på optaget bulgarsk tale. Produktionsservere dimensioneres efter jeres volumen; større volumen betyder flere servere.

Se hardwareniveauerne i konfiguratoren →

Ofte stillede spørgsmål

Kører alt virkelig på vores servere?

Ja: vores egen talegenkendelse og egne stemmemodeller, samtalestyring, telefonigateway, kampagner og optagelser. Sprogmodellen vælger I selv: jeres eksisterende udbyder via API (så sendes kun teksten i replikkerne) eller en fuldt lokal model uden internet.

Hvilken hardware kræves der?

Vi leverer enterprise-GPU-servere dimensioneret efter jeres volumen. Til sammenligning håndterede en af vores laboratorieservere 50.000+ samtidige opkald. Se trin 2 i konfiguratoren.

Hvor hurtigt svarer agenten?

I vores testopkald med en cloud-sprogmodel var mediantiden fra slutningen af opkalderens sætning til den første lyd af svaret 1,4 s; selve stemmen starter 136 ms efter, at svarteksten er klar. Sprogmodellen er den største del, så vi måler den med jeres valg i piloten.

Hvilken telefoni fungerer den med?

Enhver standard SIP-trunk eller PBX: jeres eksisterende numre og operatør bliver.

Se den arbejde med jeres eget scenarie

Book et møde på 20 minutter, lyt til agenten, eller lad os bygge en gratis prøveagent til en af jeres opkaldstyper. Uforpligtende.

  • GDPR indbygget fra starten
  • Kører på jeres egne servere
  • Drift og support døgnet rundt
  • Et team på 5 i Sofia, EU

Allerede i produktion hos organisationer i Bulgarien — navnene er omfattet af fortrolighedsaftaler.

Sådan dokumenterer vi det →