Transformacja produkcji komunikatów IVR z Vox Artificialis

Wyzwanie

Firma X zarządzała rozbudowaną siecią infolinii i potrzebowała przygotować 300 różnych komunikatów IVR - powitań, informacji o kolejkach, godzinach pracy, awariach i przekierowaniach. Każdy komunikat miał około 30 sekund. Przy średnim koszcie 1 200 PLN za nagranie realizowane z lektorem i studiem całkowity budżet wynosił około 360 tys. PLN. Dodatkowym problemem był czas potrzebny na brief, nagranie, odsłuch, poprawki oraz ponowną realizację każdej późniejszej zmiany.

Co zrobiliśmy

• Zaprojektowanie aplikacji Vox Artificialis jako samoobsługowego generatora komunikatów głosowych IVR
• Integracja z ElevenLabs Text-to-Speech i udostępnienie biblioteki głosów oraz modeli TTS
• Przygotowanie szablonów dla typowych scenariuszy telefonicznych i możliwości wprowadzania własnych treści
• Dodanie kontroli stabilności, podobieństwa, ekspresji i wzmocnienia lektora w celu utrzymania spójnego brzmienia
• Obsługa formatów wykorzystywanych w telefonii, w tym MP3, WAV oraz u-law 8 kHz
• Wprowadzenie odsłuchu i pobierania gotowego pliku, dzięki czemu poprawki można realizować bez ponownego angażowania studia

Efekt

• Modelowy koszt 300 tradycyjnych nagrań: 300 × 1 200 PLN = 360 000 PLN
• Modelowy koszt produkcji z Vox Artificialis: 300 × 35 PLN = 10 500 PLN
• Potencjalna oszczędność: 349 500 PLN, czyli około 97,1% kosztu produkcji nagrań
• Skrócenie procesu z wieloetapowej współpracy ze studiem do generowania, odsłuchu i pobrania pliku w jednym narzędziu
• Możliwość szybkiej aktualizacji pojedynczego komunikatu bez ponoszenia pełnego kosztu nowej sesji lektorskiej
• Spójny głos marki we wszystkich punktach kontaktu telefonicznego

O projekcie

Business case dla Firmy X pokazuje ekonomiczny efekt transformacji procesu produkcji komunikatów IVR. Organizacja potrzebowała 300 nagrań o średniej długości około 30 sekund. W tradycyjnym modelu, przy koszcie około 1 200 PLN za pojedynczy komunikat przygotowany przez lektora i studio, całkowity budżet wynosił 360 tys. PLN. Vox Artificialis zastępuje ten proces lekką aplikacją text-to-speech wykorzystującą ElevenLabs: użytkownik przygotowuje treść, wybiera głos i model, dopasowuje parametry brzmienia, odsłuchuje rezultat i pobiera plik zgodny z systemem telefonicznym. Przy założonym koszcie 35 PLN za wygenerowanie jednego gotowego nagrania koszt całego wolumenu spada do 10,5 tys. PLN. Oznacza to potencjalną oszczędność 349,5 tys. PLN i redukcję kosztu o około 97,1%, a jednocześnie znacząco skraca czas wprowadzania zmian. Wyliczenia stanowią model biznesowy oparty na podanych założeniach i nie obejmują ewentualnych kosztów integracji z centralą telefoniczną.