---
title: "Hur fungerar en AI-röstagent på era egna servrar?"
description: "Se hur en AI-röstagent fungerar on-premise: telefoni, vår egen taligenkänning och våra röster samt valfri språkmodell, allt på era servrar. Läs hur."
url: https://aifortis.com/sv/ai-callcenter-on-premise/sa-fungerar-det/
language: sv
last_updated: 2026-11-08
publisher: AI Fortis Ltd. (Sofia, Bulgaria)
---

# Hur fungerar en AI-röstagent? Hela samtalet stannar på era servrar

Samtalet kommer in via er SIP-leverantör eller växel. Därifrån sker allt — taligenkänning, beslut om vad som ska sägas, talsyntes, inspelningar — inom er infrastruktur.

## Arkitektur

Med er LLM-leverantör via API lämnar bara texten i replikerna miljön; med en lokal LLM lämnar ingenting den.

## Komponenterna

### Telefonigateway

Körs på er server och ansluter till er SIP-trunk eller växel. Inkommande och utgående samtal, upptagetdetektering, koppling till en kollega.

### Taligenkänning

Vår egen taligenkänning på GPU-servern, anpassad för telefonljud och för varje språk vi levererar.

### Röst

Våra egna neurala röster, optimerade för telefonsamtal och rätt betoning. En egen röst för ert varumärke på begäran.

### Samtalsstyrning

Vem som talar när, avbrott från uppringaren, pauser, skydd mot upprepningar, AI-upplysning och meddelande om inspelning.

### Språkmodell

Formulerar svaren och avgör när ett verktyg ska anropas. Er nuvarande leverantör via API, eller en helt lokal modell utan internet.

### Kontrollrum

Agenter och versioner, kampanjer, spärrlista, ringtider, inspelningar, transkriptioner, dataextraktion, kundportaler, roller, granskningslogg.

## Vägen för en tur — med uppmätta tider

1. Uppringaren talar; ljudet når via SIP gatewayen på er server.
2. Taligenkänningen omvandlar tal till text medan uppringaren fortfarande avslutar.
3. Språkmodellen bestämmer svaret och anropar vid behov ett verktyg (t.ex. en saldokontroll i CRM).
4. Rösten syntetiserar svaret i delar, så att det första ljudet börjar innan hela svaret är klart.
5. Samtal, transkription och extraherade fält sparas i hubben; en webhook meddelar era system.

Tiderna är labb- och testsamtalsmätningar (oktober 2026). Den totala turtiden beror främst på vilken språkmodell ni väljer.

## Vad som händer på era servrar under ett samtal

Ett samtal når er telefonigateway via er befintliga SIP-trunk eller växel. Därifrån går det till vår egen taligenkänning, som gör om uppringarens ord till text inne i er lokal. Samtalslagret avgör vad som ska göras härnäst, med den språkmodell ni väljer: er befintliga leverantör via ett API, där bara texten i turerna skickas, eller en helt lokal modell utan internetanslutning.

Behöver agenten data anropar den era system via HTTP-verktyg, med endast de åtgärder ni har tillåtit. Svaret går sedan till våra egna röstmodeller, som säger det tillbaka in i samtalet. Inspelningar, utskrifter och loggar stannar på era servrar, med den lagringstid ni ställer in per kund.

Eftersom varje steg körs i er infrastruktur kan ert säkerhetsteam granska dataflödet, nätverksreglerna och granskningsloggen på samma sätt som för alla andra interna system. Ingenting i samtalet beror på en talmolntjänst, så ni behåller kontrollen över både data och kostnad.

Under en pilot mäter vi de här stegen på er egen hårdvara och med den språkmodell ni valt, eftersom den modellen står för den största delen av fördröjningen. Ni får siffrorna för er uppsättning, och ert team ser hur agenten beter sig i verkliga samtal innan något rullas ut. Samma kontrollrum visar sedan live-samtal, kampanjer, inspelningar och granskningsloggen för varje agent.

## Hårdvara och kapacitet

Vi levererar GPU-servrar i företagsklass, dimensionerade efter er volym. Detta mätte vi på en av våra labbservrar:

| Konfiguration | Samtidiga samtal | Rösten, första ljud (median / p95) |
| --- | --- | --- |
| GPU-server i företagsklass: standardinställning | 50 000+ | 136 / 178 ms |
| GPU-server i företagsklass: inställning för maximal noggrannhet | 16 | p95 156 ms |
| Server med enbart CPU (små installationer) | 6 | 97 / 179 ms |

Uppmätt med verklig taligenkänning på inspelat bulgariskt tal. Produktionsservrar dimensioneras för er volym; högre volym innebär fler servrar.

[Se hårdvarunivåerna i konfiguratorn →](https://aifortis.com/sv/ai-callcenter-on-premise/konfigurator/)

## Vanliga frågor

### Körs verkligen allt på våra servrar?

Ja: vår egen taligenkänning och våra egna röstmodeller, samtalsstyrningen, telefonigatewayen, kampanjer och inspelningar. Språkmodellen väljer ni själva: er nuvarande leverantör via API (då skickas bara texten i replikerna) eller en helt lokal modell utan internet.

### Vilken hårdvara behövs?

Vi levererar GPU-servrar i företagsklass, dimensionerade efter er volym. Som referens hanterade en av våra labbservrar 50 000+ samtidiga samtal. Se steg 2 i konfiguratorn.

### Hur snabbt svarar agenten?

I våra testsamtal med en molnbaserad språkmodell var mediantiden från slutet av uppringarens mening till första ljudet i svaret 1,4 s; själva rösten startar 136 ms efter att svarstexten är klar. Språkmodellen står för den största delen, så vi mäter den med ert val i piloten.

### Vilken telefoni fungerar det med?

Med alla vanliga SIP-trunkar och växlar: era befintliga nummer och er operatör behålls.

## Se den i arbete i ert eget scenario

Boka ett 20-minuterssamtal, lyssna på agenten eller låt oss bygga en gratis exempelagent för en av era samtalstyper. Utan förpliktelser.

- GDPR inbyggt från början
- Körs på era egna servrar
- Drift och support dygnet runt
- Ett team på 5 i Sofia, EU

Redan i produktion hos organisationer i Bulgarien — namnen omfattas av sekretessavtal.

[Så visar vi det →](https://aifortis.com/sv/sa-visar-vi-det/)

---
Source: https://aifortis.com/sv/ai-callcenter-on-premise/sa-fungerar-det/
