Conversational AI od ElevenLabs — jak zbudować polskiego voice agenta (2026)

Conversational AI od ElevenLabs to platforma do budowania głosowych agentów, którzy prowadzą dwukierunkowe rozmowy w czasie rzeczywistym. Bazuje na modelu Flash v2.5 z latencją ~75 ms, obsługuje polski natywnie, ma gotowe integracje z Twilio (telefonia), Salesforce, Gmail i protokołem MCP. Cennik: 0,08 USD za minutę rozmowy. W tym poradniku zbudujemy polskiego voice agenta od zera w 15 minut.

Czym jest głosowy agent AI

Voice agent (agent głosowy) 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”.

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.
• Voice agent w grze — NPC, który odpowiada na pytania gracza.
• Asystent w aplikacji — wewnętrzny tool dla pracowników.
• Bot windykacyjny — przypomnienia o płatnościach.
• Cold calling — wstępna kwalifikacja leadów (z zachowaniem zgód RODO).

Architektura voice agenta — 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 — nie musisz orkiestrować trzech serwisów samodzielnie.

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 sprawdź Bella PL, Antoni PL lub własny klon.
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 (max 2–3 zdania) — człowiek nie słucha monologów.
• Dodaj zasady eskalacji („jeśli klient zapyta o cenę zabiegu, przekież do recepcji”).
• Wyklucz nielegalne tematy („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)

Voice agent jest użyteczny dopiero, gdy ma dostęp do narzędzi. ElevenLabs udostępnia gotowe integracje:

Więcej o MCP w tym artykule.

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 deployment

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 (uwaga: zgoda na RODO!).
5. Test z prawdziwego telefonu — zadzwoń i sprawdź jak brzmi przez sieć GSM.

Cennik Conversational AI

Godzina rozmowy = ok. 4,80 USD. Dla porównania: konsultant call center w Polsce kosztuje 25–40 zł/godz. Voice agent jest ~3–4× tańszy, dostępny 24/7, bez przerw i urlopów. Pełen cennik ElevenLabs i porównanie planów.

Dobre praktyki dla polskich voice agentów

• Rozpocznij od powitania — „Dzień dobry, rozmawia Pani z asystentem AI klinki Dental Smart. W czym mogę pomóc?”
• Ujawnij, że to AI — wymagane prawem w UE od 2025 (AI Act).
• Daj opcję przekazania do człowieka — „Połącz mnie z konsultantem” powinno działać.
• Trzymaj kontekst krótko — max 10 ostatnich tur (Flash v2.5 ma okno kontekstowe).
• Loguj rozmowy — do analizy jakości i audit trail (z zgodą RODO).
• Testuj na akcentach — śląskim, góralskim, kresowym.
• Plan awaryjny — gdy LLM zwraca błąd, agent mówi „Przepraszam, przełączę do konsultanta”.

Conversational AI vs klasyczne IVR

FAQ — Conversational AI od ElevenLabs

Zbuduj swojego pierwszego agenta

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