Jak zbudowaliśmy agenta głosowego AI po polsku (case study)

Case study, doświadczenie z pierwszej ręki

Zbudowaliśmy agenta głosowego po polsku, który odbiera rozmowę, rozumie pytanie zadane naturalnym językiem i odpowiada głosem brzmiącym jak człowiek. Nie jest to demo z konferencji ani slajd z prezentacji. Agent działa na żywo na naszej stronie głównej, możesz z nim porozmawiać w tej chwili. W tym wpisie opisujemy, jak to powstało, co poszło nie tak za pierwszym razem i czego nauczyliśmy się o budowaniu voice AI w języku polskim.

Po co w ogóle zbudowaliśmy własnego agenta

Robimy wdrożenia voice AI dla firm, więc nie wypadało nam mówić klientom „to działa”, nie mając własnego działającego przykładu. Łatwo jest pokazać nagranie z YouTube albo demo dostawcy, na którym wszystko brzmi idealnie. Trudniej jest postawić agenta, który odbiera prawdziwe pytania od przypadkowych osób wchodzących na stronę i nie kompromituje się przy pierwszym polskim zdaniu z odmianą przez przypadki.

Postawiliśmy sobie konkretny cel: agent ma rozumieć pytania o nasze usługi, odpowiadać po polsku tak, żeby nie było słychać sztywnego lektora, i robić to wystarczająco szybko, by rozmowa nie była męcząca. Dodatkowo chcieliśmy, żeby po każdej rozmowie przyszło do nas powiadomienie z pełnym zapisem, bo to jednocześnie lead i materiał do poprawiania agenta. Jeśli zastanawiasz się, czym voice AI różni się od zwykłego chatbota, opisaliśmy to szerzej w tekście Voice AI po polsku.

Wyzwanie pierwsze: język polski naprawdę jest trudny

Większość gotowych rozwiązań voice AI powstaje z myślą o angielskim. Po polsku problemy zaczynają się na każdym etapie łańcucha. Rozpoznawanie mowy (zamiana głosu na tekst) myli się przy nazwach własnych, liczbach i potocznych skrótach. Synteza mowy (zamiana tekstu na głos) potrafi źle zaakcentować wyraz albo przeczytać „2026″ jako „dwa tysiące dwadzieścia sześć” w miejscu, gdzie człowiek powiedziałby „dwadzieścia sześć”.

Najwięcej pracy kosztowała nas naturalność odmiany. Model językowy, który napędza rozmowę, domyślnie generuje poprawny polski, ale zdarzają się potknięcia: zła forma liczebnika, mieszanie rodzajów, kalki z angielskiego typu „aplikować” zamiast „zgłosić się”. Rozwiązaniem nie była magia, tylko żmudne dostrajanie instrukcji systemowej agenta i wymuszenie, by trzymał się prostych, krótkich zdań. Im krótsze zdanie, tym mniejsza szansa na błąd gramatyczny i tym lepiej brzmi synteza głosu.

Druga rzecz to wymowa. Wybór głosu okazał się kluczowy. Część dostępnych głosów czyta polski z lekkim obcym akcentem, co od razu psuje wrażenie. Przetestowaliśmy kilkanaście wariantów, zanim trafiliśmy na taki, który brzmi swojsko i nie potyka się na zbitkach spółgłosek, których w polszczyźnie nie brakuje.

Wyzwanie drugie: naturalność rozmowy, nie tylko poprawność

Agent, który mówi poprawnie, ale sztywno, i tak odstrasza. Człowiek w rozmowie wtrąca „mhm”, robi pauzy, czasem się poprawia. Sztuczna inteligencja, która wygłasza idealnie złożone, długie zdania bez jednego oddechu, brzmi jak automat z infolinii. Pracowaliśmy nad kilkoma rzeczami naraz:

• Długość odpowiedzi. Skróciliśmy je drastycznie. Agent nie wygłasza wykładu, tylko odpowiada w dwóch, trzech zdaniach i oddaje głos. To bardziej przypomina rozmowę niż monolog.
• Tempo i przerywanie. Dobry agent głosowy pozwala się przerwać. Jeśli zaczynasz mówić, on milknie, tak jak zrobiłby człowiek. Bez tego rozmowa jest nie do zniesienia.
• Opóźnienie. Liczy się każda dziesiąta część sekundy między końcem Twojego pytania a początkiem odpowiedzi. Zbyt długa cisza sprawia, że ludzie myślą, że agent się zawiesił, i zaczynają mówić jeden przez drugiego.
• Charakter. Nadaliśmy agentowi prosty, konkretny ton, taki jak nasz w rozmowie z klientem. Bez nadgorliwej uprzejmości i bez korpomowy.

To jest dokładnie ten obszar, w którym wiele firm popełnia błędy przy wdrożeniach AI w obsłudze klienta. Zebraliśmy najczęstsze z nich w tekście 5 błędów w AI w obsłudze klienta.

Wyzwanie trzecie: integracja i powiadomienia po rozmowie

Sam agent mówiący na stronie to dopiero połowa wartości. Druga połowa to wiedza o tym, kto z nim rozmawiał i o co pytał. Zbudowaliśmy więc powiadomienia: po zakończeniu każdej rozmowy nasz system odbiera dane od ElevenLabs przez webhook (automatyczne wywołanie zwrotne), weryfikuje podpis kryptograficzny, żeby mieć pewność, że to autentyczne wywołanie, i wysyła nam e-mail z pełnym transkryptem rozmowy po polsku, czasem trwania, statusem i linkiem do nagrania.

Dzięki temu każda rozmowa jest jednocześnie potencjalnym leadem i materiałem diagnostycznym. Gdy widzimy, że agent źle odpowiedział na konkretne pytanie, poprawiamy jego instrukcję i kolejny rozmówca dostaje już lepszą odpowiedź. To jest praktyczny przykład tego, jak agenci AI uczą się na podstawie realnego użycia, a nie wyobrażeń o tym, o co ludzie będą pytać.

Integracja z samą stroną też wymagała przemyślenia. Nie chcieliśmy, by ciężki skrypt ładował się przy każdym wejściu i spowalniał witrynę. Agent wstrzykuje się dopiero po kliknięciu „Rozpocznij rozmowę”, więc strona startowa zostaje lekka, a voice AI uruchamia się tylko wtedy, gdy ktoś go faktycznie chce użyć.

Czego się nauczyliśmy

Kilka wniosków, które przydadzą się każdemu, kto myśli o własnym agencie głosowym po polsku:

Element	Pierwsza wersja	Co poprawiliśmy
Odpowiedzi	Długie, wyczerpujące	Krótkie, 2-3 zdania
Głos	Lekki obcy akcent	Naturalny polski po testach kilkunastu wariantów
Tempo	Zauważalne opóźnienie	Reakcja bliska rozmowie na żywo
Przerywanie	Agent mówił do końca	Milknie, gdy zaczynasz mówić
Po rozmowie	Brak śladu	E-mail z transkryptem i nagraniem

Najważniejszy wniosek jest taki: voice AI po polsku to nie jest produkt z pudełka. Technologia bazowa jest dojrzała i dostępna, ale różnica między agentem, który brzmi jak automat, a takim, z którym chce się rozmawiać, leży w dziesiątkach drobnych decyzji. To samo dotyczy zresztą wyboru modelu, który napędza rozmowę, porównaliśmy popularne opcje w tekście Claude vs ChatGPT vs Gemini.

Ile to kosztuje i kiedy ma sens

Realny koszt wdrożenia agenta głosowego dla firmy na rynku polskim to zwykle widełki od 5 do 15 tys. PLN za przygotowanie, w zależności od liczby scenariuszy i integracji, plus stała opłata miesięczna za utrzymanie i zużycie modelu, najczęściej w przedziale 200 do 3000 PLN na miesiąc. Sam koszt rozmów rośnie z ich liczbą, więc agent odbierający setki połączeń dziennie kosztuje w utrzymaniu więcej niż taki, który obsługuje kilkanaście. Pełne zestawienie kosztów wdrożeń znajdziesz na stronie cennika wdrożeń AI oraz we wpisie ile kosztuje wdrożenie AI w 2026.

Voice AI ma najwięcej sensu tam, gdzie powtarza się dużo podobnych rozmów: rezerwacje, statusy zamówień, wstępna kwalifikacja zapytań, infolinia po godzinach. Jeśli nie wiesz, czy w Twojej firmie się to opłaca, zaczynamy zawsze od audytu AI, który pokazuje konkretne procesy do automatyzacji i szacowany zwrot, zanim wydasz złotówkę na wdrożenie.

Najczęściej zadawane pytania

Czy agent głosowy po polsku naprawdę brzmi naturalnie?

Tak, przy odpowiednim doborze głosu i dostrojeniu. Kluczem jest wybór głosu bez obcego akcentu, krótkie odpowiedzi i niskie opóźnienie. Najlepiej sprawdzić to samemu: na naszej stronie głównej działa żywe demo, z którym możesz porozmawiać.

Na czym zbudowaliście swojego agenta?

Na bazie ElevenLabs Conversational AI, z własną konfiguracją języka polskiego, dostosowaną instrukcją systemową i własnym systemem powiadomień e-mail po każdej rozmowie. Łańcuch obejmuje rozpoznawanie mowy, model językowy prowadzący rozmowę i syntezę głosu.

Co dostajecie po zakończonej rozmowie?

Po każdej rozmowie nasz system odbiera dane przez webhook, weryfikuje podpis kryptograficzny i wysyła e-mail z pełnym transkryptem po polsku, czasem trwania, statusem i linkiem do nagrania. Dzięki temu każda rozmowa jest jednocześnie leadem i materiałem do poprawiania agenta.

Ile trwa zbudowanie takiego agenta dla firmy?

Działające demo zbudowaliśmy w około dwa tygodnie pracy. Wdrożenie produkcyjne dla klienta, z integracjami i scenariuszami specyficznymi dla branży, zajmuje zwykle od kilku do kilkunastu dni roboczych, zależnie od zakresu.

Czym agent głosowy różni się od chatbota tekstowego?

Chatbot komunikuje się tekstem, agent głosowy prowadzi rozmowę głosem: słucha, rozumie i odpowiada na głos. Voice AI sprawdza się tam, gdzie ludzie wolą zadzwonić niż pisać, na przykład na infolinii lub przy rezerwacjach. Różnice opisujemy w tekście o chatbocie kontra agencie.

Czy mogę przetestować Waszego agenta?

Tak. Na stronie głównej aicat.pl jest sekcja z przyciskiem „Rozpocznij rozmowę”. Po kliknięciu uruchomi się agent głosowy i możesz zadać mu pytanie o nasze usługi. To ten sam agent, o którym piszemy w tym case study.