Разработка AI-системы суфлирования оператору во время звонка

Разработка AI-системы суфлирования оператору во время звонка

Суфлёр — более активный вариант Agent Assist: система не просто выводит подсказки, но формирует готовые фразы для немедленного произнесения. Оператор озвучивает предложенный текст или адаптирует его. Полезно для новых операторов и сложных скриптов продаж.

Отличие от Agent Assist

Архитектура суфлёра

class CallPrompter:
    def __init__(self):
        self.dialog_manager = DialogStateManager()
        self.phrase_generator = PhraseGenerator()
        self.tts = StreamingTTS()

    async def get_next_prompt(
        self,
        dialog_context: dict,
        last_customer_utterance: str
    ) -> PromptSuggestion:
        """Генерируем следующую фразу для оператора"""

        # Определяем стадию диалога
        stage = await self.dialog_manager.get_stage(dialog_context)

        # Генерируем предложенную фразу
        prompt = await self.phrase_generator.generate(
            stage=stage,
            customer_utterance=last_customer_utterance,
            customer_profile=dialog_context.get("customer"),
            conversation_history=dialog_context.get("history", [])
        )

        return PromptSuggestion(
            text=prompt.text,
            confidence=prompt.confidence,
            stage=stage.name,
            alternatives=prompt.alternatives[:2]  # запасные варианты
        )

Генератор фраз под стадию диалога

STAGE_PROMPTS = {
    "greeting": "Добрый день! Меня зовут {agent_name}, компания «{company}». Чем могу помочь?",
    "verification": "Подскажите, пожалуйста, вашу фамилию и номер договора.",
    "objection_price": "Понимаю вашу обеспокоенность ценой. Позвольте рассказать о ценности нашего предложения...",
    "closing": "Итак, мы договорились: {summary}. Оформляю заявку на {date}. Всё верно?",
}

async def generate_phrase(stage: str, context: dict) -> str:
    template = STAGE_PROMPTS.get(stage)
    if template:
        return template.format(**context)

    # Для нестандартных ситуаций — LLM
    response = await client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Ты суфлёр оператора колл-центра.
            Стадия диалога: {stage}.
            Последнее слово клиента: {context.get('customer_utterance')}.
            Предложи оператору фразу для ответа.
            Стиль: профессиональный, тёплый. Максимум 2 предложения."""
        }]
    )
    return response.choices[0].message.content

Опциональное TTS для суфлёра

В некоторых внедрениях — суфлёр буквально проговаривает фразу в ухо оператора через наушник:

async def whisper_to_operator(text: str, agent_audio_ws: WebSocket):
    """Тихое воспроизведение подсказки оператору"""
    audio = await tts.synthesize(text, voice="whisper_mode")
    await agent_audio_ws.send_bytes(audio)

Метрики эффективности

• Script Adherence Rate: % фраз из скрипта vs собственных
• Prompt Acceptance Rate: % использованных суфлёрских фраз
• Conversion Delta: разница конверсии с суфлёром и без

Сроки: базовый суфлёр с готовыми фразами — 4–6 недель. С LLM-генерацией и TTS-суфлированием — 2–3 месяца.