Gradium AI naprawia największą słabość botów głosowych. Nowy model radzi sobie z numerami telefonów

Większość botów głosowych brzmi dziś niemal jak człowiek, dopóki nie poprosisz ich o podyktowanie adresu e-mail lub numeru przesyłki. Wtedy czar pryska. Kompromitujące błędy w kluczowych danych to największa bolączka współczesnych systemów konwersacyjnych. Gradium AI rzuciło właśnie wyzwanie tym ograniczeniom, wprowadzając model, który od 31 sierpnia 2026 roku stał się domyślnym standardem w ich API i Studio.

Dlaczego to ważne właśnie teraz?

Rynek Voice AI nasycił się narzędziami generującymi ładne, ale zawodne audio. Nowy model Gradium TTS skupia się na tzw. „hard-cases”, czyli przypadkach, które masowo psują doświadczenie klienta w logistyce czy bankowości. Przy czasie reakcji 216 ms (P50), firma skróciła oczekiwanie na odpowiedź o 170 ms względem poprzedniej wersji, co realnie zbliża rozmowę z botem do tempa ludzkiej interakcji.

Precyzja tam, gdzie inni polegają

Fundamentem technologii jest radykalna poprawa obsługi danych alfanumerycznych. W teście obejmującym 500 zdań nasyconych datami i skomplikowaną terminologią, model Gradium uzyskał wynik 81% skuteczności. To bolesny cios dla konkurencji – w tym samym badaniu rynkowy lider ElevenLabs v3 Conversational osiągnął zaledwie 65,4%, a Cartesia Sonic 3.6 zatrzymała się na poziomie 75,1%.

„Czyta przypadki, które psują agentów głosowych na produkcji: numery telefonów, adresy e-mail czy numery IBAN, bez żadnego wstępnego przetwarzania tekstu po Twojej stronie” – deklaruje zespół Gradium. Kryteria były surowe: jedna pomyłka w cyfrze dyskwalifikowała całe zdanie. Co ważne, inżynierowie mogą zweryfikować te dane samodzielnie, ponieważ firma udostępniła zbiór testowy na platformie Hugging Face.

Szybkość bez irytujących pauz

W komunikacji głosowej stabilność jest cenniejsza niż rekordowe sprinty. Choć Inworld Realtime TTS-2 bywa momentami szybszy, to Gradium wyróżnia się przewidywalnością. Rozrzut opóźnień (latency spread) wynosi tu zaledwie 30 ms. Dla użytkownika końcowego oznacza to brak tych dziwnych, sekundowych zawieszeń, które sprawiają, że odruchowo pytamy: „Halo, słyszy mnie pan?”.

Wdrożenie bez rewolucji

Dla biznesu kluczowy jest fakt, że przejście na nowy model nie wymagało żadnej migracji. System natywnie wspiera pięć języków:

• angielski
• francuski
• niemiecki
• hiszpański
• portugalski

Wszystko to bez konieczności kłopotliwej normalizacji tekstu przed wysłaniem go do API. To rozwiązanie skrojone pod e-commerce i logistykę, gdzie każda litera w kodzie paczki ma swoją cenę.