Synteza mowy w sprzedaży: opóźnienie, pauzy i zaufanie

Klient odbiera telefon, mówi „halo", a po drugiej stronie jest cisza. Jedna sekunda, może półtorej. Dla Ciebie to drobiazg, dla niego sygnał, że dzwoni automat, i palec już szuka czerwonej słuchawki. Zanim padnie pierwsze zdanie oferty, głos zdążył wygrać albo przegrać połowę rozmowy. Dlatego przy sprzedaży telefonicznej z udziałem AI nie wystarczy dobry skrypt. Liczy się to, kiedy głos odpowiada, jak robi pauzy i czy brzmi jak ktoś, komu można oddać numer zamówienia.

Opóźnienie: dlaczego sekunda to za dużo

W rozmowie między ludźmi przerwa między wypowiedziami jest bardzo krótka, zwykle ułamek sekundy. Jeśli odpowiedź przychodzi wyraźnie później, rozmówca zaczyna się zastanawiać, czy ktoś go słyszy. Zaczyna powtarzać („halo? słyszy mnie pani?"), a wtedy oba głosy wchodzą na siebie i robi się bałagan.

Na opóźnienie składa się kilka etapów: wykrycie, że klient skończył mówić, zamiana mowy na tekst, wymyślenie odpowiedzi, synteza dźwięku i droga sygnału przez sieć telefoniczną. Każdy z nich dokłada swoje. Imagine, że każdy etap zjada „tylko" 300 milisekund. Przy pięciu etapach klient czeka półtorej sekundy i ma poczucie, że rozmawia z infolinią z lat dziewięćdziesiątych.

Dlatego dobre systemy nie czekają na komplet. Syntezują i odtwarzają odpowiedź strumieniowo, zaczynając od pierwszego zdania, gdy dalszy ciąg jeszcze się dopisuje. Pomaga też krótkie, naturalne otwarcie („tak, już sprawdzam", „rozumiem"), które daje systemowi chwilę, a klientowi poczucie, że ktoś słucha. Ważne: to musi być uczciwe wypełnienie, a nie sztuczny dźwięk klawiatury w tle.

Turn-taking: kto teraz mówi

Kto prowadzi sprzedaż telefoniczną, wie, że najtrudniejsze nie jest samo mówienie, tylko wyczucie, kiedy się zamknąć. Człowiek robi to odruchowo. Słyszy, że intonacja klienta opada, że zdanie jest skończone, albo że to tylko oddech przed dalszym ciągiem. Syntetyczny agent musi to wykryć z samego dźwięku.

Błędy wychodzą na dwa sposoby:

• Za szybkie wejście. Klient mówi: „Chciałbym zamówić ten model, ale…" i bierze oddech. Agent uznaje, że to koniec, i zaczyna odpowiadać na pół zdania. Klient traci wątek i irytuje się.
• Za późne wejście. Agent czeka tak ostrożnie, że rozmowa ma rytm walkie-talkie.

Do tego dochodzi przerywanie (ang. barge-in). Klient często wtrąca „nie, nie, to nie to", gdy agent jeszcze mówi. Dobry głos urywa się natychmiast, bez dokańczania zdania, i reaguje na to, co usłyszał. Agent, który z uporem czyta trzydziestosekundowy monolog o promocji mimo „dziękuję, nie teraz", kończy rozmowę jednym kliknięciem klienta.

Jest też druga strona: krótkie „mhm", „tak", „rozumiem" w trakcie wypowiedzi klienta. Dzięki nim człowiek wie, że jest słuchany. Ale wtrącone za często albo w złym momencie, działają odwrotnie, bo brzmią jak nagrana pętla.

Pauzy i tempo: cisza też mówi

Początkujący handlowcy boją się ciszy. Doświadczeni wiedzą, że pauza po pytaniu o budżet albo po podaniu ceny daje klientowi czas na myślenie. Z syntezą mowy jest podobnie: pauza ma znaczenie, ale musi być w odpowiednim miejscu.

Weźmy prosty przykład. Agent podaje: „Zamówienie numer 48 213 jest w drodze, kurier dostarczy je jutro między dziesiątą a czternastą". Jeśli powie to jednym ciągiem, klient nie zapamięta numeru ani godzin. Jeśli zrobi krótką przerwę po numerze i spowolni przy godzinach, informacja trafi do głowy. Tak mówi dobry konsultant, który wie, że klient często nie ma pod ręką długopisu.

Kilka zasad, które się sprawdzają:

• krótsze zdania niż w tekście pisanym, bo w słuchaniu nie da się wrócić do początku akapitu,
• pauza przed ważną informacją (cena, termin, warunek), nie po niej,
• zmienne tempo: szybciej przy zwykłych łącznikach, wolniej przy liczbach i nazwach,
• pytanie na końcu wypowiedzi z intonacją, która faktycznie brzmi jak pytanie.

Wbrew pozorom całkowita płynność nie jest celem. Głos bez żadnych zawahań i oddechu brzmi zbyt gładko, jak lektor reklamy. Klient nie musi wierzyć, że mówi człowiek, ale musi czuć, że rozmowa toczy się w ludzkim rytmie.

Co sprawia, że głos brzmi wiarygodnie

Zaufanie do głosu rzadko zależy od tego, czy jest męski, czy żeński, niski czy wysoki. Bardziej od drobiazgów, które w polszczyźnie łatwo zepsuć:

• Prozodia. Polski ma charakterystyczny akcent na przedostatniej sylabie. Gdy syntezator go gubi, całe zdanie brzmi obco, nawet jeśli każde słowo jest poprawne.
• Odmiana i wymowa. Nazwiska, nazwy ulic, marki, skróty („ul.", „szt.", „zł"), kwoty i daty. „Dwudziestego trzeciego listopada" brzmi dobrze, „dwa-trzy kropka jedenaście" od razu zdradza maszynę.
• Spójność emocji. Wesoły ton przy reklamacji klienta, który właśnie opowiada o uszkodzonej paczce, jest gorszy niż brak emocji. Ton powinien się zmieniać razem z sytuacją.
• Konsekwencja. Agent, który raz mówi „pan", a po chwili „ty", albo zmienia tempo bez powodu, traci wiarygodność.
• Uczciwość. Zaufanie buduje też to, co agent mówi o sobie. Jeśli klient pyta wprost, z kim rozmawia, odpowiedź powinna być szczera i spokojna, a nie wymijająca.

I jeszcze jedno: głos to tylko opakowanie. Jeśli agent nie potrafi odpowiedzieć na zastrzeżenie „mam już dostawcę" albo zapytać, czego klient naprawdę szuka, nawet najpiękniejsza synteza nie pomoże. W Alphacall głos jest częścią całości: agent był trenowany na dziesiątkach tysięcy prawdziwych rozmów sprzedażowych, więc uczy się nie tylko brzmieć, ale też rozpoznawać potrzeby, budować relację i obsługiwać obiekcje. A kiedy rozmowa wymaga człowieka, przekazuje ją konsultantowi razem z kontekstem, żeby klient nie musiał zaczynać od początku.

Lista kontrolna przed uruchomieniem kampanii

Zanim agent zadzwoni do prawdziwych klientów, przesłuchaj nagrania testowe i odpowiedz sobie na kilka pytań.

1. Czy po „halo" klienta agent odpowiada bez wyraźnej ciszy?
2. Czy poprawnie przerywa, gdy klient mu wchodzi w słowo?
3. Czy nie ucina klienta w pół zdania, kiedy ten bierze oddech?
4. Czy liczby, kwoty, daty i adresy brzmią tak, jak powiedziałby je człowiek?
5. Czy tempo zwalnia przy ważnych informacjach?
6. Czy ton pasuje do tematu: inny przy sprzedaży, inny przy reklamacji?
7. Co się dzieje, gdy klient milczy albo mówi coś niezrozumiałego?
8. Czy przekazanie rozmowy człowiekowi odbywa się płynnie, z kontekstem?

Najlepiej zrobić to na nagraniach z różnych warunków: klient w samochodzie, na ulicy, z gorszym zasięgiem. Głos, który brzmi świetnie w cichym biurze, w realnym telefonie potrafi się rozsypać. Przydaje się też, by ktoś z zespołu sprzedaży, a nie tylko z IT, ocenił rozmowy. Handlowiec w kilka minut usłyszy to, co umknie inżynierowi.

Zobacz, jak to brzmi na żywo

O głosie nie da się przekonująco napisać, trzeba go usłyszeć. Opisy w stylu „naturalny i płynny" nic nie znaczą, dopóki nie zadzwoni telefon i nie sprawdzisz sam, jak agent reaguje na wtrącenie, pomyłkę albo trudne pytanie. Jeśli prowadzisz sprzedaż telefoniczną, e-commerce lub call center i zastanawiasz się, czy syntetyczny głos może Ci realnie pomóc, umów się na pokaz Alphacall na żywej rozmowie. Posłuchasz, jak agent prowadzi rozmowę, a potem ocenisz to swoją listą kontrolną.