AI telefonos asszisztens magyarul: így működik belülről
Mi történik a vonal másik végén, amikor egy AI veszi fel a céged telefonját? Végigmegyünk egy híváson a csengetéstől a rögzített rendelésig, és megmutatjuk, hol csúszik el a magyar nyelv.
Röviden
- Egy hívás alatt öt rész dolgozik körben: telefonos bekötés, beszédfelismerés, nyelvi modell eszközökkel, beszédszintézis, rögzítés a céged rendszerében.
- A meglévő telefonszám maradhat: átirányítással vagy SIP-trönkön kerül a hívás az asszisztenshez.
- Az emberek a beszélgetésben jellemzően pár tized másodpercen belül válaszolnak egymásnak, ezért a gépi láncot végig folyamatos (streaming) feldolgozásra kell építeni.
- Magyarul a számok, címek, nevek és a toldalékos terméknevek a gyenge pontok. A megoldás visszaolvasás, saját szókincs és SMS-visszaigazolás, nem a jobb modellbe vetett hit.
- Élő példa: a Kakucsi Pékség & Pizza Szigetnél Rozi, a telefonos AI-munkatárs 2026 áprilisa óta veszi fel a telefont és rögzíti a rendelést.
Tartalom
- Mi történik egy hívás alatt, a csengetéstől a rögzített rendelésig?
- Hogyan kerül a meglévő telefonszám az AI-hoz?
- Miért számít minden tized másodperc a telefonos AI-nál?
- Hol csúszik el a magyar nyelv: számok, címek, nevek, ragozás
- Mit tud ma élesben egy magyar telefonos AI?
- Hol vannak ma a telefonos AI határai?
- Miben más, mint a nyomógombos telefonos menü?
Az AI telefonos asszisztens egy hangalapú AI, ami felveszi a céged telefonját, magyarul beszélget a hívóval, és a hívás végére el is intézi, amiért hívtak: rögzíti a rendelést, lefoglalja az időpontot, vagy megválaszolja a kérdést. Hogy természetes beszélgetés lesz belőle vagy idegesítő robot, az ritkán a hangon múlik. Sokkal inkább azon, mennyit kell várni a válaszra, és mit kezd a gép egy félrehallott házszámmal.
Én építem ezeket a rendszereket, ezért itt a motorháztető alatti részről írok. Ha azt nézed, hogyan illeszkedik a telefon a chat és az e-mail mellé egy közös rendszerbe, az AI ügyfélszolgálat telefonon, chaten és e-mailben alapcikkünk a jobb kiindulópont. A költségekről pedig külön írtunk: mennyibe kerül egy AI telefonos asszisztens.
Mi történik egy hívás alatt, a csengetéstől a rögzített rendelésig?
Egy AI-val felvett hívás öt lépés folyamatos körforgása. A telefonvonal hangja beérkezik, a beszédfelismerő szöveggé alakítja, a nyelvi modell eldönti, mit kell mondani vagy tenni, a beszédszintézis kimondja a választ, a végén pedig az eredmény bekerül a céged rendszerébe. Ez a kör minden mondatváltásnál lefut, és a hívó csak annyit érzékel belőle, hogy válaszolnak neki.
- Telefonos bekötés. A hívás a telefonhálózatból egy internetes hangkapcsolatba fut át, és a hang kis darabokban, folyamatosan érkezik az asszisztenshez.
- Beszédfelismerés (STT). Egy beszédfelismerő modell már beszéd közben írja a szöveget, és egy külön réteg figyeli, mikor fejezte be a hívó a mondatát.
- Nyelvi modell eszközökkel (LLM). Ez a döntéshozó. Érti a szándékot, követi a beszélgetést, és ha kell, eszközt hív: lekérdezi a kínálatot, megnézi a szabad időpontokat, rögzít egy tételt.
- Beszédszintézis (TTS). A választ természetes magyar hang mondja ki, szintén darabokban, hogy az első szavak minél hamarabb megszólaljanak.
- Rögzítés és átadás. A hívás végén a rendelés a webshopban, az időpont a naptárban, az átirat és az összefoglaló a csapatnál van. Ha ember kell, a hívás vagy az ügy átmegy hozzá.
A nyelvi modell szerepéről, hogy mit "ért" és mit nem, a nagy nyelvi modellekről szóló cikkünk ír részletesen. Itt elég annyi, hogy nem szabadon fogalmaz: a cég szabályai, kínálata és a beszélgetés célja keretezi.
Hogyan kerül a meglévő telefonszám az AI-hoz?
A meglévő szám szinte mindig megtartható. A legegyszerűbb a hívásátirányítás a szolgáltatónál: mindig, csak ha foglalt, csak ha senki nem veszi fel, vagy csak munkaidőn kívül. Ha a cégnek alközpontja vagy SIP-trönkje van, a hívás közvetlenül, internetes hangkapcsolaton jut el az asszisztenshez. A hívó ebből semmit nem érzékel, ugyanazt a számot hívja, mint eddig.
Két technikai részlet, ami a minőséget is érinti:
- A telefonos hang keskenysávú. A hagyományos telefonhang (ITU-T G.711) másodpercenként 8 000 mintát vesz, a hasznos sáv nagyjából 300 és 3 400 Hz közé esik. Ez jóval szegényebb jel, mint amit egy mobilalkalmazás vagy egy diktafon rögzít. Ezért egy beszédfelismerőt telefonos hangon kell kipróbálni, nem stúdiófelvételen.
- Az emberhez kapcsolás vonalszinten működik. Ha a hívást élő kollégához kell adni, az asszisztens a hívást átkapcsolja (transfer), vagy ha nincs szabad ember, visszahívást rögzít. Az átadás része egy rövid összefoglaló is, hogy a kollégának ne kelljen elölről kérdeznie.
Egy jó első beállítás
Sok helyen nem rögtön minden hívás megy az AI-hoz. Először csak a "ha foglalt" és a "ha nem veszik fel" ág. Így az asszisztens azokat a hívásokat kapja, amelyek ma elvesznek, és közben a csapat megszokja.
Miért számít minden tized másodperc a telefonos AI-nál?
Az emberi beszélgetés gyors. Egy 2009-es, tíz nyelvet vizsgáló kutatás szerint a válaszok leggyakrabban az előző mondat vége után 0-200 ezredmásodperccel indulnak, és ez minden vizsgált nyelvre igaz volt. Ehhez képest egy gépi lánc minden lépése hozzáad valamennyit. Ha a szünet túl hosszú, a hívó közbeszól, megismétli magát, vagy azt hiszi, megszakadt a vonal.
A késleltetés részek összege:
| Szakasz | Mi viszi az időt | Mivel csökkentjük |
|---|---|---|
| Mondatvég felismerése | A rendszernek el kell döntenie, hogy a hívó befejezte, vagy csak levegőt vesz | Csend-küszöb helyett tartalmat is figyelő mondatvég-felismerés |
| Beszédfelismerés | Az utolsó szavak véglegesítése | Folyamatos (streaming) felismerés, nem a mondat végén indul |
| Nyelvi modell | Az első szó előállítása, és ha eszközt hív (kínálat, naptár), annak a válaszideje | Gyors modell a beszélgetéshez, előre betöltött kínálat, rövid átvezető mondat hosszabb lekérdezésnél |
| Beszédszintézis | Az első hangminta elkészülte | Darabolt szintézis: az első mondatrész már szól, amíg a többi készül |
| Hálózat | A hang oda-vissza útja | Közeli szerverek, kevés átjátszó pont |
Ha egy szolgáltató ezredmásodpercben adja meg a válaszidőt, kérdezd meg, honnan meddig méri. A hívó elhallgatásától a válasz első hangjáig kell mérni, valódi telefonvonalon, és olyan kérdésnél is, ahol az asszisztensnek közben adatot kell lekérnie. Mi a fejlesztés alatt ezt a teljes kört nézzük, mert a hívó is ezt érzékeli, nem az egyes alkatrészek idejét.
Hudácsek Bence Társalapító, CTO · AutomatingA sebesség mellett a közbevágás kezelése választja el a jó rendszert a gyengétől. Ha a hívó beszélni kezd, miközben az asszisztens mond valamit, az asszisztensnek el kell hallgatnia, és meg kell hallgatnia, amit mondanak. Ehhez visszhangszűrés kell, különben a gép a saját hangját hallja vissza, és magának válaszol.
Hol csúszik el a magyar nyelv: számok, címek, nevek, ragozás
A magyar nehéz terep, de nem a ragozás miatt, ahogy elsőre gondolnánk. A mai nyelvi modellek a toldalékokat jól kezelik. A hiba legtöbbször a beszédfelismerésnél keletkezik, a telefonos hangon, ott, ahol egyetlen félrehallott szó hibás adatot jelent: számoknál, címeknél, neveknél és a cég saját terméknevein. Ezekre nem jobb modell a megoldás, hanem folyamat.
| Buktató | Példa | Amit a jó rendszer csinál |
|---|---|---|
| Számok | "huszonkettő" vagy "húsz, kettő"? Telefonszámnál a csoportosítás mindenkinél más | A számot csoportosítva visszaolvassa, és a hívó számát a hívóazonosítóból veszi, ha az megvan |
| Címek | "Kossuth utca tizenkettő per bé, harmadik emelet hét"; ugyanaz az utcanév a szomszéd településen | Rákérdez a településre, a kiszállítási listával ellenőriz, és a teljes címet visszaolvassa |
| Nevek | Szőcs, Szőts vagy Szőke; a "-né" végződés | Csak akkor kér nevet, ha kell, és a pontos írásmódot SMS-visszaigazolással zárja le |
| Toldalékos terméknevek | "két Margheritát", "a sonkásból még egyet" | Saját szókincset ad a beszédfelismerőnek, a kínálatból pedig a nyelvi modell választ, nem szabad szövegből |
| Felolvasás | "2 990 Ft", "12/B", "okt. 4.", "Kft." | A kimondás előtt szöveg-normalizálás: "kétezer-kilencszázkilencven forint" |
| Betűzés | E-mail-cím, rendszám, ügyfélazonosító | Telefonon nem diktáltatja, hanem SMS-ben küld linket, ahol a hívó beírja |
| Megszólítás | Tegezés vagy magázás, "uram", "hölgyem" | A cég hangneme szerint rögzített szabály, nem a modell ötlete |
A közös elv: ami kritikus adat, azt az asszisztens visszaolvassa, és megerősítteti. Így a félrehallás nem hibás rendelés lesz, hanem egy "pontosítsuk" kör, ami három másodpercet visz el.
Mit tud ma élesben egy magyar telefonos AI?
Élesben a jó telefonos asszisztens nem üzenetet rögzít, hanem ügyet intéz. Rendelést vesz fel élő kínálatból és árakkal, időpontot foglal szabad naptárhelyre, válaszol a visszatérő kérdésekre, felveszi a panaszt, és amit nem tud, azt összefoglalóval adja tovább. A különbség az integrációban van: a hívás végén az adat a helyén van, nem egy jegyzetben.
A legjobb példa a saját munkánkból a gyáli Kakucsi Pékség & Pizza Sziget. Ott Rozi, a telefonos AI-munkatárs 2026 áprilisa óta veszi fel a telefont és rögzíti a rendelést. Élőben látja a kínálatot és az árakat, a kész rendelés bekerül a webshop rendelései közé, a számla linkjét SMS-ben küldi, és a panaszt is felveszi. A nyitvatartást a tulajdonos szabályai szerint tudja: hétfőn nincs pizzéria, de pékáru van, este hét után pedig már csak előrendelést vesz fel. A legforgalmasabb szeptemberi napon 22 hívást vett fel. A teljes történet az esettanulmányban olvasható.
Kakucsi Sándor első kérdései közül az egyik az volt, hogy nem fog-e az AI fantom rendeléseket leadni. Erre szabállyal feleltünk, nem ígérettel: a rendelés csak akkor kerül rögzítésre, ha minden adat megvan. Ha hiányzik a név vagy a telefonszám, Rozi visszakérdez, a vendég pedig SMS-ben kap visszaigazolást. Szerintem egy telefonos AI megbízhatósága nagyrészt ilyen kemény szabályokon múlik, nem a modell okosságán.
Hudácsek Bence Társalapító, CTO · AutomatingVendéglátásban a telefonos rendelés csak az első lépés volt. Hogy mi jöhet utána a kasszától a készletig, azt az AI a vendéglátásban cikkünk mutatja be. Rendelőknél, szalonoknál és szervizeknél az időpontfoglalás a fő feladat. Ennek külön logikája van a naptár-ütközésektől a lemondásig, erről az AI recepciós és időpontfoglalás cikkünk szól.
Hol vannak ma a telefonos AI határai?
A telefonos AI ott erős, ahol a hívásnak célja van: rendelés, foglalás, ismert kérdés. Gyengébb ott, ahol a hang rossz, többen beszélnek egyszerre, vagy a hívó érzelmileg feldúlt. Ezekkel tervezni kell. Elakadni minden rendszer el fog, a jó attól jó, hogy ilyenkor visszakérdez, átkapcsol, vagy visszahívást rögzít.
- Zaj és rossz vonal. Konyhai háttérzaj, autóban kihangosított hívás, szakadozó mobilvonal. Ilyenkor a visszaolvasás és a türelmes visszakérdezés menti meg a beszélgetést.
- Több beszélő. Ha a hívó mellett valaki más is diktál, az a gépnek is nehéz, ahogy egy embernek is.
- Erős érzelem. A feldúlt, panaszos hívót nem AI-nak kell megnyugtatnia. Az ilyen jeleket fel kell ismernie, és emberhez kell adnia az ügyet.
- Hosszú, céltalan beszélgetés. Az asszisztens nem beszélgetőtárs. Egy jól beállított rendszer udvariasan visszaterel a célhoz, vagy lezárja a hívást.
Miben más, mint a nyomógombos telefonos menü?
A hagyományos nyomógombos menü (IVR) nem AI, hanem egy telefonra húzott űrlap: a hívó navigál, gombot nyom, vár. Az AI-asszisztensnek a hívó egyszerűen elmondja, mit szeretne, ahogy egy embernek. Az IVR a menün kívüli kérésnél elakad, és adatot sem rögzít. Az AI visszakérdez, pontosít, és a hívás végére el is intézi az ügyet.
| Nyomógombos menü (IVR) | AI telefonos asszisztens | |
|---|---|---|
| Hogyan mondod el, mit akarsz | Gombnyomással, menüszintenként | Saját szavaiddal |
| Váratlan kérés | Elakad, vagy sorba állít | Visszakérdez, vagy emberhez ad |
| Eredmény a hívás végén | Továbbkapcsolás valakihez | Rögzített rendelés, foglalás vagy válasz |
| Módosítás | Új menüág, új hangfelvétel | Szabály vagy tudásbázis frissítése |
Ha most mérlegeled, hogy nálatok van-e értelme, két kérdéssel indulj: hány hívás vész el ma csúcsidőben vagy zárás után, és mennyi ezek közül ismétlődő minta. Ha mindkettőre nagy a szám, a telefonos AI-nak van dolga nálatok.
Gyakori kérdések
Tudnia kell a hívónak, hogy AI-jal beszél?
Igen. Az EU AI Act 50. cikke szerint 2026. augusztus 2. óta a természetes személyekkel közvetlenül beszélgető AI-rendszernél tájékoztatni kell az embert, hogy géppel beszél, kivéve, ha ez a körülményekből nyilvánvaló. A gyakorlatban az asszisztens az első mondatában bemutatkozik.
Rögzíti az AI a hívásokat?
Általában igen, átirat vagy hangfelvétel formájában, mert ebből derül ki, hol kell javítani. Ez személyes adat kezelése, tehát kell hozzá tájékoztatás a hívás elején, megőrzési idő és adatfeldolgozói szerződés a szolgáltatóval. A részletekről az AI és GDPR cikkünk szól.
Tud egyszerre több hívást fogadni?
Igen. Minden hívás külön folyamatként fut, így a csúcsidőben beérkező hívások nem várnak egymásra. A korlát a telefonos bekötés csatornaszáma és a szerződött keret, nem az asszisztens.
Mi kell hozzá a cég részéről?
Egy telefonszám, amit át lehet irányítani, a kínálat és a szabályok (árak, nyitvatartás, kivételek), és hozzáférés ahhoz a rendszerhez, amibe dolgoznia kell: webshop, naptár, CRM. A hívások forgatókönyvét a meglévő hívásaitokból rakjuk össze.
Források
- Universals and cultural variation in turn-taking in conversation, PNAS (Stivers és mtsai.) (2009-06-30)
- G.711: Pulse code modulation (PCM) of voice frequencies, ITU-T (1988-11-25)
- Az (EU) 2024/1689 rendelet (mesterséges intelligenciáról szóló rendelet), 50. cikk, EUR-Lex (2024-07-12)
- Not Delayed, Not Deferred: EU AI Act Transparency Obligations Are Now in Force, Goodwin Procter (2026-08-03)
Utolsó tartalmi frissítés: 2026. október 4.
Homoki Gábor · 13 perc