Backchannel (przytakiwanie)

​

Wprowadzenie

Backchannel (przytakiwanie, „filler words”) sprawia, że agent brzmi naturalnie i uważnie. Po włączeniu bot od czasu do czasu wtrąca krótkie frazy jak „mhm”, „aha”, „rozumiem”, gdy rozmówca mówi - dokładnie tak, jak robi to człowiek słuchający przez telefon.

​

Jak to działa

Agent słucha obu stron rozmowy i wtrąca się tak, jak robi to człowiek: w naturalnej przerwie, a nie według zegara.

1. Kiedy. Wtrącenie pada w mikropauzie (rozmówca na chwilę zamilkł, ale nie skończył wypowiedzi) albo na końcu zdania czy frazy w bieżącej transkrypcji. Dopiero gdy przez dłuższy czas nie ma ani pauzy, ani interpunkcji, agent wtrąca się „na czas”.
2. Czy w ogóle. Agent milczy, gdy rozmówca:
   • mówi krócej niż minimalny czas wypowiedzi lub powiedział tylko kilka słów (krótka odpowiedź, nie opowieść),
   • zadaje pytanie albo sprawdza połączenie („halo?”, „słyszy mnie pan?”),
   • odpowiada na pytanie, które agent właśnie zadał - dopóki odpowiedź nie zamieni się w dłuższe wyjaśnienie,
   • przed chwilą przerwał agentowi (kilka sekund ciszy, żeby „mhm” nie brzmiało jak próba odzyskania głosu),
   • a także zawsze, gdy agent sam mówi.
3. Co. Fraza zależy od tego, co rozmówca właśnie mówi:
   • dyktuje numer, e-mail, adres albo literuje nazwisko → ciche „mhm”, „tak”,
   • opisuje problem lub reklamację („nie działa”, „niestety nie przyszło”) → „rozumiem”,
   • wylicza („a potem”, „poza tym”) → „mhm”, „aha”,
   • w pozostałych sytuacjach najczęściej krótkie „mhm”, rzadziej dłuższe słowa. Ta sama fraza nie pada dwa razy z rzędu. Agent korzysta wyłącznie z fraz z listy w ustawieniach - jeśli nie ma na niej np. „rozumiem”, wybiera spośród tych, które ma.
4. Dźwięk jest wstrzykiwany do strumienia bez przerywania rozmówcy i bez angażowania LLM.
5. Między kolejnymi wtrąceniami zachowany jest minimalny odstęp.

Krótkie pauzy na oddech nie zerują wypowiedzi: czas i liczba słów liczą się od pierwszego słowa rozmówcy aż do odpowiedzi agenta.

​

Konfiguracja

Wejdź w Agent → zakładka Ustawienia: Rozpoznawanie treści działa dla polskiego, angielskiego, niemieckiego, hiszpańskiego, francuskiego i włoskiego. W innych językach agent wtrąca się w przerwach, ale bez doboru frazy do treści.

​

Domyślne frazy per język

​

Dobre praktyki

• Krótkie frazy: najlepiej 1–2 sylaby („mhm”, „aha”, „ok”).
• Bez przesady: wysokie prawdopodobieństwo + krótkie odstępy brzmią sztucznie.
• Spójność z marką: dopasuj frazy do osobowości agenta.
• Kultura języka: używaj naturalnych potwierdzeń dla danego regionu.

​

Szczegóły techniczne

• Dźwięki są generowane przez TTS z wyprzedzeniem i cache’owane.
• Backchannel używa tego samego głosu co agent.
• Nie zakłóca transkrypcji STT ani pracy LLM.
• Współpracuje z redukcją szumów i ustawieniami VAD.

​

Ograniczenia

• Wtrącenia nie trafiają do transkrypcji (są wstrzykiwane za nią).
• Zbyt częste krótkie frazy mogą brzmieć powtarzalnie.
• Wymaga poprawnie działającego VAD. Mikropauzy wykrywa najlepiej z włączonym Smart Turn; bez niego opiera się na interpunkcji z transkrypcji.
• Dobór frazy do treści to proste reguły słownikowe, nie model językowy - celowo, bo wtrącenie musi paść w ułamku sekundy.