Backchannel (przytakiwanie)

Pozwól agentowi naturalnie przytakiwać w trakcie wypowiedzi rozmówcy.

​

Wprowadzenie

Backchannel (przytakiwanie, „filler words”) sprawia, że agent brzmi naturalnie i uważnie. Po włączeniu bot od czasu do czasu wtrąca krótkie frazy jak „mhm”, „aha”, „rozumiem”, gdy rozmówca mówi - dokładnie tak, jak robi to człowiek słuchający przez telefon.

​

Jak to działa

Agent słucha obu stron rozmowy i wtrąca się tak, jak robi to człowiek: w naturalnej przerwie, a nie według zegara.

1. Kiedy. Wtrącenie pada w mikropauzie (rozmówca na chwilę zamilkł, ale nie skończył wypowiedzi) albo na końcu zdania czy frazy w bieżącej transkrypcji. Dopiero gdy przez dłuższy czas nie ma ani pauzy, ani interpunkcji, agent wtrąca się „na czas”.
2. Czy w ogóle. Agent milczy, gdy rozmówca:
   • mówi krócej niż minimalny czas wypowiedzi lub powiedział tylko kilka słów (krótka odpowiedź, nie opowieść),
   • zadaje pytanie albo sprawdza połączenie („halo?”, „słyszy mnie pan?”),
   • odpowiada na pytanie, które agent właśnie zadał - dopóki odpowiedź nie zamieni się w dłuższe wyjaśnienie,
   • przed chwilą przerwał agentowi (kilka sekund ciszy, żeby „mhm” nie brzmiało jak próba odzyskania głosu),
   • a także zawsze, gdy agent sam mówi.
3. Co. Fraza zależy od tego, co rozmówca właśnie mówi:
   • dyktuje numer, e-mail, adres albo literuje nazwisko → ciche „mhm”, „tak”,
   • opisuje problem lub reklamację („nie działa”, „niestety nie przyszło”) → „rozumiem”,
   • wylicza („a potem”, „poza tym”) → „mhm”, „aha”,
   • w pozostałych sytuacjach najczęściej krótkie „mhm”, rzadziej dłuższe słowa. Ta sama fraza nie pada dwa razy z rzędu. Agent korzysta wyłącznie z fraz z listy w ustawieniach - jeśli nie ma na niej np. „rozumiem”, wybiera spośród tych, które ma.
4. Dźwięk jest wstrzykiwany do strumienia bez przerywania rozmówcy i bez angażowania LLM.
5. Między kolejnymi wtrąceniami zachowany jest minimalny odstęp.

Krótkie pauzy na oddech nie zerują wypowiedzi: czas i liczba słów liczą się od pierwszego słowa rozmówcy aż do odpowiedzi agenta.

​

Konfiguracja

Wejdź w Agent → zakładka Ustawienia:

Ustawienie	Opis	Domyślnie
Włączone	Włącza/wyłącza przytakiwanie	Wył.
Frazy	Lista fraz po przecinku	Domyślne dla języka
Prawdopodobieństwo	Szansa (0–1) na wtrącenie w każdej nadarzającej się przerwie	0.6
Min. czas wypowiedzi	Sekundy mowy rozmówcy przed pierwszym wtrąceniem	3.0
Odstęp	Minimalny odstęp między wtrąceniami (s)	5.0

Rozpoznawanie treści działa dla polskiego, angielskiego, niemieckiego, hiszpańskiego, francuskiego i włoskiego. W innych językach agent wtrąca się w przerwach, ale bez doboru frazy do treści.

​

Domyślne frazy per język

Język	Frazy
polski	mhm, rozumiem, aha, ok, tak, jasne
angielski	mhm, I see, uh huh, okay, right, got it
niemiecki	mhm, verstehe, aha, okay, ja, genau
hiszpański	mhm, entiendo, ajá, vale, sí, claro
francuski	mhm, je vois, ah oui, d’accord, oui, bien sûr
włoski	mhm, capisco, ah sì, ok, sì, certo

​

Dobre praktyki

• Krótkie frazy: najlepiej 1–2 sylaby („mhm”, „aha”, „ok”).
• Bez przesady: wysokie prawdopodobieństwo + krótkie odstępy brzmią sztucznie.
• Spójność z marką: dopasuj frazy do osobowości agenta.
• Kultura języka: używaj naturalnych potwierdzeń dla danego regionu.

​

Szczegóły techniczne

• Dźwięki są generowane przez TTS z wyprzedzeniem i cache’owane.
• Backchannel używa tego samego głosu co agent.
• Nie zakłóca transkrypcji STT ani pracy LLM.
• Współpracuje z redukcją szumów i ustawieniami VAD.

​

Ograniczenia

• Wtrącenia nie trafiają do transkrypcji (są wstrzykiwane za nią).
• Zbyt częste krótkie frazy mogą brzmieć powtarzalnie.
• Wymaga poprawnie działającego VAD. Mikropauzy wykrywa najlepiej z włączonym Smart Turn; bez niego opiera się na interpunkcji z transkrypcji.
• Dobór frazy do treści to proste reguły słownikowe, nie model językowy - celowo, bo wtrącenie musi paść w ułamku sekundy.