Ekspresja: śmiech, westchnienie, ciepło w głosie
Eleven v4 turbo (czyli każdy zarządzany głos Brosbots) i Eleven v3 rozumieją krótkie wskazówki w nawiasach kwadratowych i wykonują je zamiast czytać:[laughs], [chuckles], [sighs], [exhales], [warmly], [excited],
[curious], [hesitates], [whispers]. Agent dostaje o tym informację automatycznie,
w czasie rozmowy, i tylko wtedy, gdy jego głos to obsługuje - starszy model
ElevenLabs albo inny dostawca przeczytałby słowo „chuckles” na głos.
Zasady, które agent dostaje razem z listą: najwyżej jedna wskazówka na
wypowiedź i w większości wypowiedzi żadna, tylko tam, gdzie człowiek
naprawdę by tak zareagował (krótki śmiech po żarcie rozmówcy, cieplej przy
pocieszaniu), tylko z listy i nigdy w danych, które agent powtarza.
W transkrypcji rozmowy wskazówek nie widać - słychać je w nagraniu. Nie
trafiają też nigdzie poza rozmowę: z SMS-ów, e-maili, notatek i wierszy w
Arkuszach Google, pól CRM i argumentów narzędzi są usuwane, zanim cokolwiek
zostanie wysłane albo zapisane.
Prompty z kreatora mają od teraz akapit o naturalnej rozmowie: większość
odpowiedzi zaczyna się od mówionej reakcji na to, co agent usłyszał („mhm”,
„aha”, „no jasne”, „o, super”), dobranej do sytuacji i nigdy tej samej dwa
razy z rzędu; do tego zmienne potwierdzenia, imię rozmówcy raz czy dwa, bez
powtarzania jego słów. Starszego agenta uzupełnisz, dodając
ten akapit do promptu w edytorze - przykład w CHANGELOG_2026-10-15-ekspresja.md.
Przed wywołaniem narzędzia (wyszukiwanie, sprawdzenie zamówienia, kalendarz)
agent nie mówi reakcji ani „chwileczkę” - każdy agent z narzędziami dostaje
tę zasadę automatycznie. Narzędzie rusza od razu, a zdanie o czekaniu („Już
sprawdzam, chwileczkę.” albo Twój komunikat oczekiwania) pada raz, w trakcie
sprawdzania. Jeśli model mimo to sam poprosi o chwilę, drugiego „chwileczkę”
już nie ma.
Gdy synteza mowy zawiedzie
Pojedynczy błąd syntezy (zerwane połączenie) kosztuje jedno zdanie: przy następnym agent łączy się z dostawcą od nowa. Drugi błąd w ciągu 30 s albo błąd, który się sam nie naprawi (wyczerpane znaki, odrzucony klucz), kończy rozmowę zamiast zostawić rozmówcę w ciszy: agent odtwarza krótkie przeprosiny nagrane wcześniej jego własnym głosem i rozłącza się z dyspozycjąservice_failure.
Przeprosiny nagrywamy raz na głos, przy pierwszej rozmowie na nim, i
trzymamy na serwerze - zadziałają także wtedy, gdy klucz właśnie stracił
znaki. Dotyczy to głosów ElevenLabs (zarządzanych i na własnym kluczu); przy
innym dostawcy albo gdy głos padł, zanim przeprosiny zdążyły się nagrać,
agent rozłącza się bez nich.
Soniox
Soniox to jedyny dostawca, którego można ustawić po obu stronach rozmowy: transkrypcja i głos na jednym kluczu (zob. Transkrypcja).- Model -
tts-rt-v2, aktualny model realtime. Poprzednitts-rt-v1został wycofany 31.08.2026 i po stronie Soniox i tak trafia na v2. - Głos - wybierasz z listy pobieranej na żywo z konta Soniox (m.in.
Maya); pole ma zwykłą wyszukiwarkę głosów. - Język - kod języka tekstu, np.
pl. - Prędkość -
0.7-1.3, gdzie1.0to tempo normalne. Wartości spoza zakresu są przycinane, bo API je odrzuca. - Naturalna ekspresja - przełącznik, domyślnie wyłączony. Po włączeniu do
każdej wypowiedzi doklejamy tag stylu (np.
[conversational]), a v2 odgrywa ją zamiast czytać płasko: naturalne wtrącenia, wahania, akcenty. Tag idzie wyłącznie do syntezy - nie ma go w transkrypcji, w kontekście modelu ani w podsumowaniu rozmowy. - Styl wypowiedzi - tag używany przy włączonej ekspresji. Lista
podpowiada kilka gotowych (
conversational,warm,calm,empathetic,excited,whispering), ale pole jest tekstowe, więc możesz wpisać dowolny z dokumentacji Soniox bez czekania na zmianę w kodzie.