Inga produkter i varukorgen.
Microsoft vässar röst-AI – kan agera innan kunden pratat klart
AI Microsoft lanserar tre nya AI-modeller för samtalsanalys i realtid. Tekniken gör att AI-agenter kan förstå och agera på kundens ärende redan innan kunden har pratat färdigt. Svenska är ett av språken som stöds.
Ett område som utvecklas mycket snabbt just nu är röstbaserade AI-tjänster. De röstbaserade AI-agenterna är på god väg att bli betydligt mer lika en mänsklig samtalspartner.
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Techtidningen premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
Microsoft lanserar nu MAI-Transcribe-2-Streaming tillsammans med de två nya röstmodellerna MAI-Voice-2.1 och MAI-Voice-2.1-Flash. Tillsammans ska modellerna kapa en av de största trösklarna för automatiserade röstsamtal: fördröjningen mellan att kunden säger något och att AI-agenten kan svara.
Den nya transkriberingsmodellen arbetar i realtid och börjar skapa text drygt 100 millisekunder efter att den tagit emot ljudet. I stället för att vänta tills kunden har talat färdigt kan modellen successivt tolka samtalet medan det pågår. Det gör att en AI-agent exempelvis kan börja analysera kundens ärende eller anropa andra system mitt under en pågående mening.
Microsoft pekar ut kundservice och kontaktcenter som ett av användningsområdena. En AI-agent kan lyssna på kundens fråga, börja vidta åtgärder innan kunden slutat prata och därefter svara med syntetiskt tal.
Det är här MAI-Voice-2.1-Flash kommer in. Modellen är utvecklad för verksamheter där både svarstid och stora volymer är viktiga. Microsoft pekar särskilt ut kontaktcenteragenter, röstassistenter och IVR-lösningar som användningsområden.
Microsoft uppger att Flash-versionen har 55 procent snabbare inferens än jämförbara modeller och kostar omkring 60 procent mindre att använda. Kombinationen av den strömmande transkriberingen och den snabbare röstmodellen är tänkt att skapa en dialog där pauserna mellan människa och AI blir betydligt mindre märkbara.
En traditionell textbaserad chattbot kan ta någon sekund extra på sig utan att upplevelsen nödvändigtvis blir lidande. I ett telefonsamtal märks samma väntan direkt. Den som pratar förväntar sig respons och ett naturligt tempo.
Microsoft beskriver därför röstagenten som en kedja där AI:n måste höra, förstå, fatta beslut och svara inom den tidsram där användaren fortfarande uppfattar interaktionen som ett normalt samtal.
För svenska kontaktcenter är ytterligare en detalj intressant. MAI-Voice-2.1 och Flash-versionen har stöd för svenska och kan använda samma röst över flera språk. Modellerna kan också skapa en röst från några sekunders referensljud, samtidigt som Microsoft säger sig ha byggt in skydd som kräver samtycke för att motverka missbruk.
Den strömmande transkriberingsmodellen stöder totalt 60 språk och kan automatiskt upptäcka vilket språk som används. De nya modellerna finns tillgängliga via bland annat Microsoft Foundry och Azure Voice Live.
