Agent głosowy AI po polsku — jak zbudować voice agenta w ElevenLabs (2026)

Agent głosowy AI (voice agent) to system, który słucha i odpowiada głosem w czasie rzeczywistym — odbiera telefon, kwalifikuje klienta i umówi wizytę bez udziału człowieka. Na platformie Conversational AI od ElevenLabs zbudujesz takiego agenta po polsku w około 15 minut. Działa na modelu Flash v2.5 (latencja ~75 ms), ma gotowe integracje z Twilio, Salesforce, Gmail i protokołem MCP, a minuta rozmowy kosztuje 0,08 USD — przy 25–40 zł za godzinę pracy konsultanta call center.

Czym jest agent głosowy AI

Agent głosowy (voice agent) to system AI, który potrafi słuchać i mówić w czasie rzeczywistym. Łączy trzy komponenty: rozpoznawanie mowy (STT, model Scribe), duży model językowy (LLM — GPT-4, Claude lub Gemini) oraz syntezę mowy (TTS, Flash v2.5). Wszystko musi zadziałać w mniej niż 800 ms, żeby rozmowa nie brzmiała „robotycznie”. Różni się tym od zwykłego lektora AI, który tylko czyta gotowy tekst — agent prowadzi dwustronną rozmowę.

Przykładowe zastosowania:

• Bot na infolinii — odbiera połączenia, kwalifikuje, przekazuje do konsultanta.
• Konsultant w sklepie online — odpowiada na pytania o produkty po polsku.
• Rezerwacja wizyt — lekarz, fryzjer, mechanik samochodowy.
• Agent w grze — NPC, który odpowiada na pytania gracza.
• Asystent w aplikacji — wewnętrzne narzędzie dla pracowników.
• Bot windykacyjny — przypomnienia o płatnościach.
• Cold calling — wstępna kwalifikacja leadów (z zachowaniem zgód RODO).

Architektura agenta głosowego — jak to działa

Cykl jednego „turnu” w rozmowie:

1. Użytkownik mówi → audio leci do Scribe (STT) → tekst w 100–200 ms.
2. Tekst trafia do LLM (np. GPT-4o) z system promptem → odpowiedź w 300–500 ms.
3. Odpowiedź trafia do Flash v2.5 (TTS) → audio w ~75 ms (pierwszy chunk).
4. Audio leci do użytkownika przez WebRTC, telefon lub aplikację.

Całość powinna zająć poniżej 800 ms — to czas, w którym człowiek nie wyczuwa opóźnienia w rozmowie. ElevenLabs ma tę architekturę wbudowaną, więc nie musisz orkiestrować trzech serwisów samodzielnie. Dlaczego akurat Flash, a nie mocniejszy model — tłumaczymy w porównaniu modeli.

Krok 1 — utworzenie agenta w panelu

1. Zaloguj się na elevenlabs.io i przejdź do zakładki Conversational AI → Agents.
2. Kliknij Create Agent.
3. Nadaj nazwę (np. „Recepcja Klinika Dental Smart”).
4. Wybierz głos — dla polskiego przejrzyj Voice Library z filtrem języka albo użyj własnego klonu.
5. Wybierz model TTS: Flash v2.5 (rekomendowany do real-time).

Krok 2 — system prompt po polsku

System prompt definiuje osobowość i zadania agenta. Wskazówki:

• Pisz po polsku — LLM lepiej generuje polskie odpowiedzi z polskim promptem.
• Trzymaj krótkie odpowiedzi (maks. 2–3 zdania) — człowiek nie słucha monologów.
• Dodaj zasady eskalacji („jeśli klient zapyta o cenę zabiegu, przekaż do recepcji”).
• Wyklucz tematy, których agent nie może poruszać („nie udzielaj porad medycznych”).

Przykładowy prompt:

Jesteś recepcjonistką w klinice stomatologicznej Dental Smart.
Mówisz po polsku, formalnie ale ciepło.
Odpowiedzi maks. 2 zdania.
Godziny pracy: pn–pt 8:00–20:00.
Jeśli pacjent chce umówić wizytę, zapytaj o imię, nazwisko i preferowany termin.
Nigdy nie udzielaj porad medycznych.
W przypadku bólu nagłego: „Proszę zadzwonić pod numer alarmowy 112 lub przyjechać do nas.”

Krok 3 — integracje (Twilio, Salesforce, Gmail, MCP)

Agent głosowy jest użyteczny dopiero, gdy ma dostęp do narzędzi. ElevenLabs udostępnia gotowe integracje:

Krok 4 — test rozmowy

W panelu kliknij Test Agent — otworzy się mikrofon w przeglądarce (WebRTC). Powiedz „Dzień dobry, chciałbym umówić wizytę” i sprawdź:

• Czy agent odpowiada po polsku z naturalnym akcentem?
• Czy latencja jest komfortowa (poniżej 1 s)?
• Czy nie przerywa, gdy mówisz dłużej?
• Czy poprawnie eskaluje, gdy zapytasz o cenę?

Krok 5 — produkcja: numer telefonu i wdrożenie

1. W zakładce Phone Numbers kup numer PL przez integrację z Twilio (~3 USD/mc).
2. Przypisz numer do agenta.
3. Ustaw godziny dyżuru (24/7 lub określone).
4. Włącz nagrywanie rozmów — pamiętaj o obowiązku informacyjnym RODO.
5. Przetestuj z prawdziwego telefonu — zadzwoń i sprawdź, jak agent brzmi przez sieć GSM.

Ile kosztuje agent głosowy AI

Godzina rozmowy to ok. 4,80 USD, czyli mniej więcej 19 zł. Konsultant call center w Polsce kosztuje 25–40 zł za godzinę, więc agent jest około 1,5–2× tańszy za godzinę pracy — a przewagę buduje przede wszystkim tym, że obsługuje wiele rozmów równolegle, bez przerw i grafiku. Pełne zestawienie progów w cenniku ElevenLabs.

Dobre praktyki dla polskich agentów głosowych

• Rozpocznij od powitania — „Dzień dobry, rozmawia Pani z asystentem AI kliniki Dental Smart. W czym mogę pomóc?”
• Ujawnij, że to AI — obowiązek przejrzystości wobec użytkownika wynika z unijnego AI Act.
• Daj opcję przekazania do człowieka — „połącz mnie z konsultantem” powinno działać zawsze.
• Trzymaj kontekst krótko — maks. 10 ostatnich tur rozmowy.
• Loguj rozmowy — do analizy jakości i audytu, za zgodą rozmówcy.
• Testuj na akcentach — śląskim, góralskim, kresowym.
• Miej plan awaryjny — gdy LLM zwróci błąd, agent mówi „Przepraszam, przełączę do konsultanta”.

Agent głosowy AI a klasyczne IVR

FAQ — agent głosowy AI

Zbuduj swojego pierwszego agenta

Plan Starter (5 USD/mc) wystarczy, żeby przetestować agenta głosowego na małej skali. Wejdź na elevenlabs.io, załóż konto i zbuduj polskiego agenta w 15 minut.

elevenlabs.pl to nieoficjalny serwis partnera. Oficjalna strona producenta to elevenlabs.io.