Realizacja · Agent głosowy

Agent głosowy, który rozmawia z klientem na żywo

W E4B zbudowaliśmy głos dla Ebi, asystenta na naszej stronie. Odpowiada w czasie rzeczywistym, sprawdza wiedzę firmy, zmienia język i przygotowuje zgłoszenie do zespołu. Pokazujemy, jak to działa i co może z tego mieć Twoja firma.

Publikacja: 31 października 2026

Napisane przez: Kacper

Projekt: E4B · Agent głosowy

Telefon o 21:00

Weźmy salon kosmetyczny. Jest 21:00, klientka chce przełożyć jutrzejszą wizytę i dzwoni, ale salon od godziny jest zamknięty. Rano recepcja widzi nieodebrane połączenie, a klientka mogła się już umówić gdzie indziej.

Taką rozmowę może przejąć agent głosowy. To program, który słucha, rozumie i od razu odpowiada głosem, bez menu „wciśnij 1”. W E4B zbudowaliśmy takiego agenta najpierw dla siebie. To Ebi, asystent na naszej stronie: klikasz kulę obok pola czatu i po prostu mówisz.

Opisujemy tu, co Ebi potrafi już dziś, jak to działa pod spodem i co płaci firma, która chce mieć taką recepcjonistkę u siebie. Najpierw wersja, która działa na naszej stronie. Na końcu to, co na tej samej podstawie możemy zbudować dla Ciebie.

Droga jednego zdania

Rysunek pokazuje, którędy idzie Twój głos i kto o czym decyduje. Najedź na element albo go dotknij, żeby przeczytać, co robi.

Co Ebi robi już dziś

Ebi słucha i odpowiada głosem. Model speech-to-speech od OpenAI dostaje dźwięk i oddaje dźwięk, więc pierwsze słowa odpowiedzi słychać po 0,4 do 0,7 s od końca Twojej wypowiedzi. Gdy Ebi musi coś sprawdzić, mówi najpierw krótkie zdanie, a właściwa odpowiedź zaczyna się po 3 do 4 s.

Możesz wejść Ebi w słowo. Gdy zaczynasz mówić, Ebi milknie w pół zdania i słucha. Kula pokazuje, co się dzieje: pulsuje, gdy słucha, krąży szybciej, gdy myśli, i faluje, gdy mówi. Pod nią biegną napisy obu stron, więc widać, jak Ebi zrozumiał wypowiedź.

Rozmowa zaczyna się po polsku albo po angielsku, zależnie od języka strony. Gdy w trakcie przejdziesz na drugi z nich, Ebi odpowiada już w nim. Jeśli rozmowa zaczęła się wcześniej w czacie tekstowym, głos o tym wie: dostaje ostatnie wiadomości i wraca do tematu, zamiast witać się od nowa.

Trzy narzędzia w trakcie rozmowy

Ebi nie zgaduje faktów. W trakcie rozmowy korzysta z trzech narzędzi, które działają na naszym serwerze.

Pierwsze szuka w zatwierdzonej bazie wiedzy E4B. Ebi woła je, zanim powie coś konkretnego o naszej ofercie. Tytuły źródeł, z których skorzystał, pojawiają się pod kulą, najwyżej trzy.

Drugie sprawdza publiczne informacje o Twojej firmie, ale tylko wtedy, gdy sam podasz adres strony albo NIP i o to poprosisz. Szukamy wyłącznie tego adresu albo numeru. Wynik słyszy tylko Ebi. Na ekranie go nie pokazujemy, bo to niesprawdzone dane z internetu, a nie wiedza E4B.

Trzecie przygotowuje kartę „Zgłoszenie do zespołu”. Są na niej cztery pola wypełnione z rozmowy: czego potrzebujesz, imię, firma i kontakt. Ebi nie wpisze kontaktu, którego klient sam nie podał (na głos albo wcześniej w czacie), i sam niczego nie wysyła. Kartę możesz poprawić, a do zespołu trafia dopiero wtedy, gdy klikniesz „Wyślij do zespołu”.

Pięć minut i podsumowanie

Jedna rozmowa trwa najwyżej 5 minut, a zegar pokazuje, ile zostało. Na 30 sekund przed końcem serwer prosi Ebi, żeby podsumował ustalenia, zaproponował zgłoszenie i się pożegnał. Po rozmowie drugi model pisze w czacie krótkie podsumowanie: czego szukasz, co omówiliście i jaki może być następny krok. Jeśli w podsumowaniu pojawiłaby się cena albo obietnica, odrzucamy je.

Pomiar na żywo z 30.10.2026 na trzech krótkich rozmowach testowych: od końca wypowiedzi do pierwszego dźwięku (krótkiego zdania) 0,4 do 0,7 s, do właściwej odpowiedzi po narzędziu 3 do 4 s.

Przykładowa rozmowa krok po kroku

Poniżej odtwarzamy zapis przykładowej rozmowy. Nic tu nie łączy się z OpenAI ani z naszym serwerem, więc nikt nie płaci za ten pokaz. Kula, napisy, karty i dziennik po prawej zachowują się tak jak w prawdziwej rozmowie. Imiona, firma i adres strony są wymyślone.

Co pilnuje kosztów i danych

Klucz do OpenAI zna tylko nasz serwer. Przeglądarka wysyła ofertę połączenia, a serwer dokłada do niej instrukcje, narzędzia i limit czasu i sam zakłada rozmowę. Przeglądarka dostaje z powrotem tylko odpowiedź na ofertę, numer rozmowy i maksymalny czas. Potem dźwięk płynie bezpośrednio między przeglądarką a OpenAI przez WebRTC.

Obok pracuje strażnik: nasz serwer dołącza do tej samej rozmowy osobnym kanałem. Na starcie nadpisuje ustawienia sesji swoimi, a w trakcie sprawdza, czy ktoś ich nie podmienia. Prosi Ebi o pożegnanie i kończy rozmowę po czasie, nawet gdy przeglądarka chciałaby ją trzymać dłużej. Gdyby strażnik zawiódł, osobne zadanie co 30 sekund rozłącza rozmowy, które powinny być już zamknięte.

Limity są wspólne dla całej strony: najwyżej 2 rozmowy naraz, 20 dziennie i 30 w miesiącu. Każda minuta kosztuje nas prawdziwe pieniądze. Wolimy, żeby Ebi czasem odpowiedział „wszystkie linie są zajęte, napisz w czacie”, niż żeby rachunek rósł bez kontroli.

Nie nagrywamy rozmów. Dźwięk przetwarza OpenAI (USA), a E4B zapisuje tekst rozmowy (ten sam, który widać w napisach) i jego podsumowanie, bez nagrań. Mówi o tym zdanie pod kulą, a szczegóły są w naszej polityce prywatności.

Koszt: trzy rozmowy testowe z 30.10.2026 (razem 116 s, po polsku i po angielsku) kosztowały łącznie 0,09 USD, to pomiar. Pełne 5 minut to według naszego szacunku 0,15 do 0,30 USD, bo z każdą odpowiedzią model dostaje dłuższą historię. Pełnej pięciominutowej rozmowy jeszcze nie mierzyliśmy.

Trudności i decyzje

Obcy akcent

Instrukcje każą Ebi mówić poprawną polszczyzną, a nazwę firmy wymawiać zawsze w pełnej formie: Excellent for Business. Mimo to głosy OpenAI mają po polsku lekki obcy akcent. W rozmowie o ofercie to nie przeszkadza, ale w recepcji salonu czy gabinetu może. Rozważaliśmy osobny syntezator mowy, na przykład ElevenLabs. Przy wdrożeniu u klienta głos dobieramy osobno i sprawdzamy, ile dodaje opóźnienia.

Pauza to jeszcze nie koniec zdania

Na początku wykrywanie końca wypowiedzi uznawało za koniec już 0,6 s ciszy. Jedna wypowiedź z pauzami rozpadała się przez to na trzy tury, a Ebi zaczynał odpowiadać po każdej pauzie. Wydłużyliśmy ten czas do 0,8 s. Ebi zaczyna mówić odrobinę później, za to rzadziej wchodzi w słowo.

Ebi niczego nie obiecuje

Ebi nie podaje cen ani terminów i nie mówi, że coś zapisał, przekaże albo wyśle. Może tylko przygotować kartę, a wysłać ją możesz Ty. Dzięki temu w rozmowie nie powstaje zobowiązanie, którego nikt w firmie nie zatwierdził.

Przeglądarce nie ufamy

Wszystko, co przychodzi z przeglądarki, da się podrobić: ustawienia sesji, sygnał zakończenia rozmowy, napisy. Dlatego czasu pilnuje serwer, ustawienia narzuca na starcie i sprawdza w trakcie, a napisy zapisujemy z oznaczeniem, że pochodzą z przeglądarki i nikt ich nie sprawdził.

Co to może dać Twojej firmie

Ebi jest recepcjonistką naszej strony. Ta sama podstawa, czyli rozmowa na żywo, przerywanie, zmiana języka, narzędzia i pilnowanie kosztów, może obsługiwać Twoich klientów. Dla Twojej firmy możemy na niej zbudować:

• Rezerwacje: Umawianie, przekładanie i odwoływanie wizyt w Twoim kalendarzu. Wolne terminy agent sprawdza w trakcie rozmowy.
• Zapis i poprawki danych: Nowy klient zapisany w Twoim systemie, a u stałego poprawiony numer telefonu czy adres, po potwierdzeniu na głos.
• Powiadomienia: SMS albo e-mail do klienta z potwierdzeniem terminu i notatka dla zespołu po każdej rozmowie.
• Przekazanie człowiekowi: Gdy sprawa jest trudna albo klient o to prosi, agent zostawia prośbę o oddzwonienie razem z zapisem rozmowy.
• Telefon: Odbieranie połączeń na numer firmy, także po godzinach. Model, którego używamy, da się podłączyć do linii telefonicznej (SIP).
• Języki: Polski i angielski jak u Ebi. Inne języki dodajemy po sprawdzeniu, jak model w nich brzmi.

To elementy, które budujemy pod konkretną firmę i jej systemy. Na naszej stronie ich nie ma: Ebi nie ma dostępu do żadnego kalendarza, nie wysyła wiadomości do klientów i nie odbiera telefonów.

Za co płacisz i co dostajesz

Płacisz za dwie rzeczy. Pierwsza to budowa: dobór głosu i instrukcji, połączenie z Twoim kalendarzem i systemami, limity i testy na Twoich prawdziwych sprawach. Druga to minuty rozmów u dostawcy modelu. U nas pięć minut to według szacunku 0,15 do 0,30 USD. U Ciebie koszt zależy od długości rozmów i liczby narzędzi, więc podamy go po pomiarze. Zakres, cenę i termin proponujemy po rozmowie o Twoim procesie.

W zamian dostajesz recepcjonistkę, która odbiera także wieczorem, o ofercie mówi na podstawie treści zatwierdzonych przez Ciebie, a rano zespół ma gotowe notatki z rozmów.

Porozmawiaj z Ebi głosem Recepcja i obsługa klienta: przewodnik

Modele i narzędzia

Rozmowę prowadzi model głosowy OpenAI, a podsumowanie pisze mniejszy model tekstowy tej samej firmy. Publiczne informacje o firmach wyszukujemy przez TinyFish, a gdy ten nie odpowie, przez Tavily.

• gpt-realtime-2.1-mini, OpenAI, Realtime API
• gpt-4.1-mini, OpenAI, podsumowania rozmów

Pytania

Czy Ebi nagrywa rozmowę?

Nie. Dźwięk przetwarza OpenAI, a E4B zapisuje tylko tekst rozmowy, bez nagrań.

Czy mogę zadzwonić do Ebi?

Nie. Ebi rozmawia tylko na naszej stronie, w przeglądarce. Agenta, który odbiera telefony na numer Twojej firmy, możemy zbudować dla Ciebie.

W jakich językach rozmawia Ebi?

Po polsku i po angielsku. Język możesz zmienić w trakcie rozmowy.

Co się dzieje, gdy linie są zajęte?

Ebi informuje, że wszystkie linie głosowe są zajęte albo że limit rozmów na dziś się skończył. Wtedy możesz napisać w czacie.

Czy Ebi może się pomylić?

Tak, Ebi to AI i może popełniać błędy. Dlatego o ofercie mówi na podstawie zatwierdzonej bazy wiedzy, nie podaje cen i niczego nie wysyła bez Twojego kliknięcia.

Ile kosztuje taki agent dla mojej firmy?

To zależy od zakresu: z jakim kalendarzem i systemami ma się łączyć, ile rozmów prowadzi i jak długich. Wycenę przygotowujemy po rozmowie o Twoim procesie.

Szkic przygotowany z AI na podstawie dokumentacji projektu; autor go poprawia i zatwierdza.