Klasické hlasové systémy fungovali prevažne ako vopred pripravené menu: používateľ povedal alebo stlačil voľbu a systém ho presmeroval ďalej. Nová generácia voice agentov kombinuje rozpoznávanie reči, veľký jazykový model a syntézu hlasu. Agent tak dokáže pochopiť otázku, vytvoriť odpoveď a reagovať hlasom takmer okamžite. Ak je napojený na ďalšie nástroje, môže zároveň vyhľadávať informácie, pracovať s kalendárom, CRM systémom alebo vykonať požadovanú operáciu.
Podľa ElevenLabs sa vývoj posúva najmä smerom k agentom schopným používať nástroje počas rozhovoru. Hlasová AI už teda nemusí iba oznámiť zákazníkovi, že nevie zmeniť termín rezervácie. Po správnom napojení môže skontrolovať dostupné termíny, rezerváciu upraviť a výsledok používateľovi oznámiť. Práve toto rozdelenie medzi obyčajným hlasovým chatbotom a agentom schopným konať je jedným z najvýraznejších trendov.
Kľúčovým technickým problémom zostáva latencia. Pri textovej komunikácii používateľ väčšinou toleruje krátke čakanie na odpoveď, pri rozhovore však oneskorenie rýchlo pôsobí neprirodzene. Vývojári preto optimalizujú celý reťazec od rozpoznania hovoreného slova cez spracovanie jazykovým modelom až po generovanie hlasu. Dôležité je aj správne rozpoznanie okamihu, keď používateľ skončil vetu, aby agent nezačal odpovedať príliš skoro alebo naopak dlho mlčal.
Ďalším trendom je rastúca modularita. Vývojári nemusia používať jedného poskytovateľa na celý systém. Samostatne môžu vyberať model na rozpoznávanie reči, jazykový model, hlasový engine či telekomunikačnú infraštruktúru. ElevenLabs sa v tomto ekosystéme prirodzene sústreďuje najmä na hlas a vlastnú platformu Conversational AI, preto treba jeho hodnotenie trendov vnímať aj ako pohľad firmy, ktorá v tejto oblasti predáva vlastné technológie.
Voice agenti zároveň otvárajú nové bezpečnostné a etické otázky. Pri telefonickom rozhovore môže AI pracovať s osobnými údajmi, objednávkami, zdravotnými informáciami alebo platobnými procesmi. Firmy preto musia riešiť oprávnenia agenta, uchovávanie záznamov, autentifikáciu používateľa a jasné hranice toho, aké úkony môže systém vykonať bez zásahu človeka. Samostatnou témou je transparentnosť – človek by mal vedieť, keď komunikuje s AI.
Významnou oblasťou je aj viacjazyčnosť. Hlasové systémy dokážu používať jeden základný agentický systém pre zákazníkov hovoriacich rôznymi jazykmi bez budovania úplne samostatných call centier. Kvalita však závisí od konkrétneho jazyka, prízvuku, hlučnosti prostredia a odbornej terminológie, takže deklarovaná podpora jazyka automaticky neznamená rovnakú presnosť vo všetkých situáciách.
Trend hlasových agentov zapadá do širšieho vývoja umelej inteligencie. Modely sa postupne presúvajú od generovania odpovedí k systémom, ktoré majú dlhšie pracovať na zadanej úlohe, používať externé nástroje a komunikovať s človekom prirodzenejším spôsobom. Hlas sa tak môže stať jedným z hlavných rozhraní medzi človekom a AI – najmä tam, kde je telefonát alebo hovorená komunikácia prirodzenejšia než formulár či chat.