---
title: "Hvordan fungerer en AI-stemmeagent på egne servere?"
description: "Hvordan fungerer en AI-stemmeagent? Telefoni, vår egen talegjenkjenning og våre stemmer, og språkmodellen dere velger – alt på deres servere. Se hvordan."
url: https://aifortis.com/no/ai-kundesenter-lokal-drift/slik-fungerer-det/
language: nb
last_updated: 2026-11-08
publisher: AI Fortis Ltd. (Sofia, Bulgaria)
---

# Hvordan fungerer en AI-stemmeagent? Hele samtalen blir på deres servere

Samtalen kommer inn via deres SIP-leverandør eller sentralbord. Derfra skjer alt – talegjenkjenning, valg av svar, talesyntese, opptak – i deres infrastruktur.

## Arkitektur

Med deres LLM-leverandør via API forlater bare teksten i replikkene huset; med en lokal LLM ingenting.

## Komponentene

### Telefonigateway

Kjører på deres server og kobler seg til deres SIP-trunk eller PBX. Innkommende og utgående samtaler, opptatt-gjenkjenning, overføring til en kollega.

### Talegjenkjenning

Vår egen talegjenkjenning, som kjører på GPU-serveren, tilpasset telefonlyd og hvert språk vi leverer.

### Stemme

Våre egne nevrale stemmer, optimalisert for telefonsamtaler og riktig trykk. En egen stemme for merkevaren deres på forespørsel.

### Samtalestyring

Hvem som snakker når, når innringeren avbryter, pauser, beskyttelse mot gjentakelser, AI-opplysning og varsel om opptak.

### Språkmodell

Formulerer svarene og bestemmer når et verktøy skal brukes. Deres eksisterende leverandør via API, eller en helt lokal modell uten internett.

### Kontrollrom

Agenter og versjoner, kampanjer, reservasjonsliste, ringetider, opptak, transkripsjoner, datauttrekk, kundeportaler, roller, revisjonslogg.

## Veien for én replikk – med målte tider

1. Innringeren snakker; lyden kommer via SIP til gatewayen på deres server.
2. Talegjenkjenningen gjør tale om til tekst mens innringeren fortsatt avslutter.
3. Språkmodellen bestemmer svaret og kaller et verktøy ved behov (f.eks. et saldooppslag i CRM).
4. Stemmen syntetiserer svaret i biter, så den første lyden starter før hele svaret er klart.
5. Samtale, transkripsjon og uttrukne felt lagres i huben; en webhook varsler deres systemer.

Tidene er laboratorie- og testsamtalemålinger (oktober 2026). Den samlede tiden per replikk avhenger mest av språkmodellen dere velger.

## Hva som skjer på serverne deres under en samtale

En samtale når telefoniporten deres via den eksisterende SIP-trunken eller PBX-en. Derfra går den til vår egen talegjenkjenning, som gjør innringerens ord om til tekst inne i bygget deres. Samtalelaget bestemmer hva som skjer videre, med språkmodellen dere velger: den eksisterende leverandøren deres via et API, og da sendes bare teksten fra replikkene, eller en helt lokal modell uten internettforbindelse.

Hvis agenten trenger data, kaller den systemene deres gjennom HTTP-verktøy, og bruker bare handlingene dere har tillatt. Svaret går deretter til våre egne stemmemodeller, som sier det tilbake inn i samtalen. Opptak, transkripsjoner og logger blir værende på serverne deres, med lagringstiden dere setter per kunde.

Fordi hvert trinn kjører inne i infrastrukturen deres, kan sikkerhetsteamet kontrollere dataflyten, nettverksreglene og revisjonsloggen på samme måte som for ethvert annet internt system. Ingenting i samtalen avhenger av en sky-talemodell, så dere beholder kontrollen over både dataene og kostnadene.

Under en pilot måler vi disse trinnene på deres egen maskinvare og med språkmodellen dere har valgt, fordi den modellen er den største delen av forsinkelsen. Dere får tallene for deres oppsett, og teamet ser hvordan agenten oppfører seg på ekte samtaler før noe rulles ut. Det samme kontrollrommet viser deretter live samtaler, kampanjer, opptak og revisjonsloggen for hver agent.

## Maskinvare og kapasitet

Vi leverer enterprise-GPU-servere dimensjonert etter deres volum. Dette målte vi på en av våre laboratorieservere:

| Konfigurasjon | Samtidige samtaler | Stemmens første lyd (median / p95) |
| --- | --- | --- |
| Enterprise-GPU-server – standardinnstilling | 50 000+ | 136 / 178 ms |
| Enterprise-GPU-server – innstilling for maksimal nøyaktighet | 16 | p95 156 ms |
| Server kun med CPU (små installasjoner) | 6 | 97 / 179 ms |

Målt med ekte talegjenkjenning på innspilt bulgarsk tale. Produksjonsservere dimensjoneres etter deres volum; større volum betyr flere servere.

[Se maskinvarenivåene i konfiguratoren →](https://aifortis.com/no/ai-kundesenter-lokal-drift/konfigurator/)

## Ofte stilte spørsmål

### Kjører alt virkelig på våre servere?

Ja: vår egen talegjenkjenning og egne stemmemodeller, samtalestyring, telefonigateway, kampanjer og opptak. Språkmodellen velger dere selv: deres eksisterende leverandør via API (da sendes bare teksten i replikkene) eller en helt lokal modell uten internett.

### Hvilken maskinvare trengs?

Vi leverer enterprise-GPU-servere dimensjonert etter deres volum. Til sammenligning håndterte en av våre laboratorieservere 50 000+ samtidige samtaler. Se trinn 2 i konfiguratoren.

### Hvor raskt svarer agenten?

I våre testsamtaler med en skybasert språkmodell var mediantiden fra slutten av innringerens setning til den første lyden av svaret 1,4 s; selve stemmen starter 136 ms etter at svarteksten er klar. Språkmodellen er den største delen, så vi måler den med deres valg i piloten.

### Hvilken telefoni fungerer den med?

Enhver standard SIP-trunk eller PBX: deres eksisterende numre og operatør blir værende.

## Se den i arbeid på deres eget scenario

Book et møte på 20 minutter, lytt til agenten, eller la oss bygge en gratis prøveagent for én av deres samtaletyper. Uforpliktende.

- GDPR innebygd fra starten
- Kjører på deres egne servere
- Drift og support døgnet rundt
- Et team på 5 i Sofia, EU

Allerede i produksjon hos virksomheter i Bulgaria — navnene er underlagt taushetsavtaler.

[Slik dokumenterer vi det →](https://aifortis.com/no/slik-dokumenterer-vi-det/)

---
Source: https://aifortis.com/no/ai-kundesenter-lokal-drift/slik-fungerer-det/
