企业语音 AI 并不需要更多个性，它需要以同理心为设计

我自 2017 年起从事语音领域工作，足以经历一次热潮周期，并见证第二波真正获得动力。虽然第二波在技术上更为惊人，但围绕它的讨论已沦为数字。很少有人关注人们实际的说话方式，我认为我们已经失去了早期语音阶段对语言学和心理学的热情联系。

浏览各类公告，你会看到延迟数据、解决率以及关于代理能做什么的宏大宣称。所有这些都很重要，但如果一个说得动听的代理无法完成任务，它就毫无用处。值得注意的是，企业语音产品日益依赖同一套底层模型，这意味着速度实际上只是基本门槛。

区别完全体现在另一个层面。代理知道什么？它能做什么？交互进行时的感受如何？最关键的是，客户是否因为代理是机器而需要额外的工作？

这正是以同理心为导向的语音设计的起点。我并不是指添加温暖的声音或同情的措辞，而是围绕来电者的意图、认知负荷和可能的情绪状态进行设计。代理应当了解业务已经掌握的信息，解释自己的操作，在出错时干净地恢复，并在任务完成后停止讲话。

一个温暖的合成声音在同一个账户号码上询问三次，并没有让通话变得更容易，温暖本身也没有发挥任何作用。

同理心不是语音设置

语音可以听起来深思熟虑，但背后的系统并未理解问题，也无法提供有用的帮助。客户可能因停电、争议账单或跨多个团队的实施阻碍而来电。如果代理仅掌握 FAQ，温暖或润色的语调也无法让体验具备同理心。代理需要知道来电者是谁、他们购买了什么、账户的最近一次交互是什么，以及它被允许做什么来帮助客户。

企业语音代理需要正确的客户和产品上下文，并拥有相应的权限，这样才能在用户仍在通话中时作出回答并执行操作。来电者不需要朗读搜索结果，他们可能需要退款、纠正记录，或引入合适的专家。

我将同理心视为一种设计学科，也是系统需求。对话设计决定代理的行为方式。底层架构决定它是否拥有足够的知识以发挥作用。我把两者的综合结果称为语音的产品质感:系统知道什么、如何运用这些知识、如何处理不确定性，以及当对话结束时用户的感受。

语音创造了社会契约

语音并非中立的界面。最近我与一位客户通话时，演示代理使用的是女性声音。不到一分钟，房间里的人员就把它称作“她”。没有人特意宣布这个决定，这只是对话的自然延伸。

这种效应早于生成式 AI。1994 年关于计算机作为社会行为体的 研究，Clifford Nass、Jonathan Steuer 和 Ellen Tauber 证明，即使人们知道自己在与机器交互，也会对计算机施加社会化的回应。语音通过时机、信心和语调进一步强化了这种反应。

这改变了失败的感受。例如，文本框返回错误链接会令人恼火，而语音在你说话时打断、两次误解相同要点并坚持已解决问题，则显得粗鲁。技术本身没有情感，来电者却有。

信任本已脆弱。2025 年由墨尔本大学与 KPMG 主导的全球 研究对 47 个国家的 48,000 多人进行了调查。结果显示，66% 的人经常使用 AI，但只有 46% 愿意信任它。每一次语音交互要么赢得一点信任，要么消耗信任。

此外还存在伦理张力。业界常把听起来最像人的代理视为最佳。但人们并不想被欺骗。设计代理时，我希望它先自我表明身份，解释它能访问哪些信息，并在执行重要操作前说明将要做什么。透明度必须成为对话的一部分。

为耳朵而非为眼睛设计

屏幕具有容错性。人们可以浏览、重读并向上滚动。而语音在被听到后即消失，这使得认知负荷成为实际的设计约束，而非学术脚注。

Nelson Cowan 对工作记忆的 综述指出，年轻成人的中心存储大约只能容纳三到五个有意义的项目。然而语音系统仍然朗读冗长的菜单，并在一次交互中堆叠多个问题。大多数人在分心、驾驶或已感到恼火时，难以同时保持所有信息。

文本聊天机器人仅加上文字转语音并不能称为语音产品。原生语音设计采用更短的轮次，将重要信息放在前面，并给来电者留出打断的空间。它还认识到并非所有对话间隙都需要填补，因此在速度重要的同时，原生语音设计能够在对话结束时“停止”。

我的背景包括社会文化语言学，研究语言在人际和社会情境中的运作方式。这在语音设计中很有价值，因为它为我们提供了关于节奏、韵律、轮流和修复等方面的精确术语。“让它听起来自然”并不是设计指令。能够描述对话应如何进行，为团队提供了可落地的构建依据。

以同理心为导向的设计是什么样的

以同理心为导向的设计并不是让代理听起来更温暖或更像人，而是围绕用户的情境塑造对话，降低完成任务所需的努力，并在处理失败时不增加用户的挫败感。实践中，这始于几项基本的设计选择。

从来电者的动机开始

人们打电话并不是为了浏览公司的分类体系，而是因为出现了故障、延迟或困惑。说“我需要取消这次配送”的来电者不应被推入通用的订单状态脚本。代理应当先确认是哪一次配送，以及是否还能介入处理。

利用上下文消除重复

同理心往往最明显地体现在系统不再提问的地方。如果业务已经知道客户是谁、使用了哪款产品以及之前发生了什么，代理应使用这些已确认的上下文，而不是让来电者重新说明。

在企业内部同样适用。会议间的销售人员应能够询问账户的变动情况、口述后续事项，并将更新写回相应系统。这样可以保持业务流畅，而不丢失上下文或产生更多管理工作。

在理想路径之前先设计修复机制

每个语音系统都会出现误听。口音、背景噪音、生僻姓名以及打断都使误听不可避免。产品的价值在于随后如何处理。最糟糕的恢复方式是用相同的话重复同一问题。更好的回应应说明代理理解了什么，并缩小不确定性。如果问题需要判断或代理未拥有的权限，应在来电者要求之前引入人工介入。

尊重交接与结束

将来电者转接给人工并非失败。未携带对话上下文就进行转接才是失败。如果代理在转接时未传递客户的陈述、已识别的信息以及已尝试的操作，客户就必须重新开始。这正是 AI 应该消除的工作。

问题解决时同样如此。有时最佳的语音体验就是一个问题、一个准确的答案以及一次点击。来电者不一定会在挂断前感谢代理或确认问题已解决。只要他们得到所需，交互就算成功。

衡量付出，而非表演式绩效

一次完美解决的单通话可能看起来像一次流失，因为客户挂断时未确认满意度。如果成功的定义是完成冗长脚本，团队就会优化更长的对话，并称之为参与度。

我更倾向于衡量重复来电、纠错、可避免的转接以及请求的操作是否完成。更广泛的满意度评分如 NPS 仍然重要，但对话本身揭示了客户在哪些环节被迫付出超出应有的努力。

2026 年 2 月，Gartner 报告称，91% 的客服与支持负责人面临高层推动实施 AI 的压力。这种压力使得衡量自动化是否真正减轻工作负担变得更加重要。若语音代理导致重复来电、不必要的转接或更长的交互，表面上看似高效，却只是把成本转移到其他环节。系统在解决正确工作、避免不必要的轮次并阻止客户通过更昂贵渠道回访时，经济效益才会提升。

能力与同理心相辅相成

企业语音市场正超越单纯的自然语言。当前关键在于代理是否能够理解来电者的需求、获取正确的业务上下文、精准且安全地执行操作，并在对话偏离脚本时做出恰当回应。

以同理心为导向的设计并不意味着让代理更健谈。恰当实施时，它会消除重复、缩短说明，并防止来电者需要去管理机器。有时的惊喜仅仅是感受到原本困难的事情变得轻松。

我在构建任何 AI 产品时最重要的提问极其简单: 为什么会有人在乎？语音只有在让某件事明显变得更容易时才有价值，而不是给人们增加更多工作。

在上线语音代理之前，倾听失败的对话，而不仅是光鲜的演示。它是否理解来电者的动机？它是否掌握足够信息来解决问题？当它失败时，是否让后续步骤更容易或更困难？

如果答案不明确，仅靠更多的个性、更低的延迟或更人性化的声音也无法拯救它。