Enterprise AI CallcenterOn-premise
Jak działa voicebot? Cała rozmowa zostaje na Państwa serwerach
Połączenie przychodzi przez Państwa operatora SIP lub centralę PBX. Od tego momentu wszystko — rozpoznawanie mowy, decyzja, co powiedzieć, synteza głosu, nagrania — odbywa się w Państwa infrastrukturze.
Architektura
Komponenty
Bramka telefoniczna
Działa na Państwa serwerze i łączy się z łączem SIP trunk lub centralą PBX. Połączenia przychodzące i wychodzące, wykrywanie zajętości, przekazanie do współpracownika.
Rozpoznawanie mowy
Nasze własne rozpoznawanie mowy, działające na serwerze GPU, dostrojone do dźwięku telefonicznego i do każdego dostarczanego języka.
Głos
Nasze własne neuronowe głosy, zoptymalizowane pod rozmowy telefoniczne i poprawny akcent. Na życzenie własny głos Państwa marki.
Sterowanie rozmową
Kto mówi kiedy, wtrącenia dzwoniącego, pauzy, ochrona przed powtórzeniami, informacja o AI i o nagrywaniu.
Model językowy
Formułuje odpowiedzi i decyduje, kiedy użyć narzędzia. Państwa obecny dostawca przez API lub w pełni lokalny model bez internetu.
Centrum sterowania
Agenci i wersje, kampanie, lista zastrzeżonych numerów, godziny dzwonienia, nagrania, transkrypcje, wyodrębnianie danych, portale klientów, role, dziennik audytu.
Droga jednej tury — ze zmierzonymi czasami
- Dzwoniący mówi; dźwięk dociera przez SIP do bramki na Państwa serwerze.
- Rozpoznawanie mowy zamienia mowę na tekst, zanim dzwoniący skończy mówić.
- Model językowy decyduje o odpowiedzi i w razie potrzeby wywołuje narzędzie (np. sprawdzenie salda w CRM).
- Głos syntezuje odpowiedź fragmentami, więc pierwszy dźwięk zaczyna się, zanim cała odpowiedź będzie gotowa.
- Rozmowa, transkrypcja i wyodrębnione pola są zapisywane w hubie; webhook powiadamia Państwa systemy.
Czasy to pomiary laboratoryjne i z rozmów testowych (październik 2026). Czas całej tury zależy głównie od wybranego modelu językowego.
Co dzieje się na Państwa serwerach podczas rozmowy
Rozmowa trafia do Państwa bramki telefonicznej przez dotychczasowy trunk SIP lub centralę. Stamtąd przechodzi do naszego własnego rozpoznawania mowy, które zamienia słowa rozmówcy na tekst wewnątrz Państwa siedziby. Warstwa rozmowy decyduje, co zrobić dalej, z wybranym przez Państwa modelem językowym: dotychczasowym dostawcą przez API, a wtedy wysyłany jest tylko tekst wypowiedzi, albo w pełni lokalnym modelem bez połączenia z internetem.
Jeśli agent potrzebuje danych, wywołuje Państwa systemy przez narzędzia HTTP, używając wyłącznie działań, na które Państwo zezwolili. Odpowiedź trafia następnie do naszych własnych modeli głosu, które wypowiadają ją w rozmowie. Nagrania, transkrypcje i logi pozostają na Państwa serwerach, z okresem przechowywania ustawianym dla każdego klienta.
Ponieważ każdy krok działa wewnątrz Państwa infrastruktury, zespół bezpieczeństwa może sprawdzić przepływ danych, reguły sieciowe i log audytowy tak samo jak w każdym innym systemie wewnętrznym. Nic w rozmowie nie zależy od chmurowej usługi mowy, więc zachowują Państwo kontrolę nad danymi i nad kosztami.
Podczas pilotażu mierzymy te kroki na Państwa sprzęcie i z wybranym modelem językowym, bo to ten model odpowiada za największą część opóźnienia. Otrzymują Państwo liczby dla swojej konfiguracji, a zespół widzi, jak agent zachowuje się w prawdziwych rozmowach, zanim cokolwiek zostanie wdrożone. To samo centrum sterowania pokazuje potem rozmowy na żywo, kampanie, nagrania i log audytowy każdego agenta.
Sprzęt i pojemność
Dostarczamy serwery GPU klasy enterprise dobrane do Państwa wolumenu. Oto, co zmierzyliśmy na jednym z naszych serwerów laboratoryjnych:
| Konfiguracja | Równoczesne połączenia | Pierwszy dźwięk głosu (mediana / p95) |
|---|---|---|
| Serwer GPU klasy enterprise — ustawienie standardowe | 50 000+ | 136 / 178 ms |
| Serwer GPU klasy enterprise — ustawienie maksymalnej dokładności | 16 | p95 156 ms |
| Serwer tylko z CPU (małe wdrożenia) | 6 | 97 / 179 ms |
Zmierzone z rzeczywistym rozpoznawaniem mowy na nagranej mowie bułgarskiej. Serwery produkcyjne dobieramy do Państwa wolumenu; większy wolumen oznacza więcej serwerów.
Najczęściej zadawane pytania
Czy naprawdę wszystko działa na naszych serwerach?
Tak: nasze własne rozpoznawanie mowy i modele głosu, sterowanie rozmową, bramka telefoniczna, kampanie i nagrania. Model językowy wybierają Państwo: obecny dostawca przez API (wtedy wysyłany jest tylko tekst wypowiedzi) albo w pełni lokalny model bez internetu.
Jaki sprzęt jest potrzebny?
Dostarczamy serwery GPU klasy enterprise dobrane do Państwa wolumenu. Dla orientacji: jeden z naszych serwerów laboratoryjnych obsłużył 50 000+ jednoczesnych rozmów. Zob. krok 2 konfiguratora.
Jak szybko odpowiada agent?
W naszych rozmowach testowych z chmurowym modelem językowym mediana czasu od końca zdania dzwoniącego do pierwszego dźwięku odpowiedzi wyniosła 1,4 s; sam głos startuje 136 ms po przygotowaniu tekstu odpowiedzi. Największą część stanowi model językowy, dlatego mierzymy go z Państwa wyborem w pilotażu.
Z jaką telefonią współpracuje?
Z każdym standardowym łączem SIP trunk lub centralą PBX: Państwa dotychczasowe numery i operator pozostają bez zmian.
Zobaczą Państwo działanie na własnym scenariuszu
Umówią Państwo 20-minutową rozmowę, posłuchają agenta albo zlecą nam bezpłatne zbudowanie agenta próbnego dla jednego typu połączeń. Bez zobowiązań.
- RODO w samym projekcie
- Działa na Państwa własnych serwerach
- Obsługa i wsparcie 24/7
- Zespół 5 osób w Sofii, UE
Już działa w produkcji w organizacjach w Bułgarii — nazwy objęte NDA.