電話裡的 AI 要笨一點

最近在看 AI 語音電話系統——會自己打電話出去、跟人講話、把該問的問完的那種。

看完一套實際上線在做生意的系統之後，我的第一個心得是：整套東西最花力氣的地方，是讓這個 AI 少做一點——講短一點、想少一點、能回答的範圍窄一點。

這篇分享：延遲為什麼直接等於錢、為什麼這種場景要挑輕量模型、提示詞真正要寫的是什麼，還有兩件大部分人沒想到的事——法規那一關，跟配音要找誰。

（基於保密，公司名稱、產業、報價都不寫。）

延遲不是體驗問題，是帳單問題

第一個技術重點是延遲。

算起來很單純：假設 AI 每次回話前頓 1 秒，你講一句、它回一句，一個來回就多等 1 秒。一通電話問十個問題，光是「等它反應」就吃掉 10 秒。

電話是照秒數計費的，每一秒都在燒錢。所以那 10 秒不是「有點卡」，是成本。

這跟我平常用 AI 的直覺很不一樣。我在電腦前等 AI 想三秒，最多就是覺得它慢；電話裡等三秒，對方已經在想這是不是詐騙電話了。

所以模型要挑輕量的

接的是哪個等級的模型？不會用到最新最強的那種。

理由有兩個。一個是延遲——會思考的模型就是慢，而這個場景要的是快。另一個是成本，最新的推理模型光是講話就貴得不合理。

這種場景要的是「快速而且準確執行我給的任務」，不是「想很多」。

這跟 Day 252 那篇論文講的是同一件事，只是從另一個角度切進來：那篇是強模型站在「負責規劃、派工」那一格會自作主張、不肯把工作交出去，這裡是強模型站在電話那一格會想太久、又太貴。兩邊的結論一樣——先看那一格要什麼，再決定放誰。

把範圍縮小才是真正的工作

他們給 AI 的那份固定指令——系統提示詞——力氣幾乎都花在寫「不准回答什麼」。

舉的例子是：使用者問「今天天氣好不好」，如果沒設限制，AI 就真的跟你聊起天氣，話題就發散了。而發散的每一秒都在計費。

所以實際設定裡有一整排護欄：對方多久沒出聲就主動問一句、聽到哪些關鍵字就結束通話、單通電話最長講多久、時間到自動掛斷。

連對話節奏都要寫死。像是「一次只問一個問題」——這行不寫，AI 會一口氣把三個問題丟出去，電話那頭的人根本來不及回。

聽起來很不 AI，但這就是把模型放進生意裡要做的事。真正決定一套系統好不好用的，是提示詞裡這些看起來很無聊的細節。

大部分人沒想到的兩件事

第一件是法規。

要讓 AI 打電話出去，不是寫個程式接上去就好。你得先跟電信業者申請 SIP trunk（讓公司的電話系統透過網路打進一般市話和手機的那條線路），而這件事 NCC 管得很嚴——因為怕有人拿這條線去打詐騙電話。

嚴到什麼程度：我看到的案子裡，要用這個服務的公司都要做實名審查（KYC），而且是真的有人跑到你公司去拍照，電信業者再回報給 NCC，確認確實有這間公司、確實在做這項業務。

我原本以為打電話的難點在語音，結果最硬的一關是行政流程。

還有一個我沒想過的細節：不同電信業者的通話頻寬不一樣，語音辨識的準確度會跟著變。所以接好線之後的第一件事，是先測這條線的音質，測完再開始撥。

第二件是配音。

平台內建的音色，客戶幾乎都不滿意，最後多半是自己去找專業配音員錄一段，把那個音色的使用權一次買斷。

比較有意思的是選角的邏輯。原本給某個外撥的案子配了「陽光甜美的年輕女生」那種聲音，客戶聽完自己去找人重錄——錄成一個阿桑的聲音。

理由是接電話的人多半六十幾歲，阿桑的聲音讓對方比較不會馬上掛掉。

這一格的最佳解，跟「聲音好不好聽」沒關係，跟「誰會接這通電話」有關係。

一句話總結

整套聽下來，難的地方沒有一個在模型上。

延遲、提示詞的護欄、NCC 的實名審查、選哪一種聲音——這四件事，都不是把模型換強一點就能解決的。

模型現在是最好解決的那一格。

如果你也在看這件事

會整理這篇，是因為這套東西的門檻不在技術，在上面這些細節——延遲怎麼壓、護欄怎麼寫、SIP trunk 怎麼申請、聲音要選誰。這些不會寫在官網上，得有人實際跑過一輪才講得出來。

如果你的公司正在評估 AI 語音電話（客服、預約提醒、名單確認、滿意度調查這類），或只是好奇這東西實際跑起來長什麼樣，歡迎私訊我聊聊。想約個時間了解也可以。

---

• Day 252 太強的模型不該做規劃