Voice AI — סוכנים
שמנהלים שיחות טלפון
סוכן קול הוא AI שעונה לטלפון, מדבר בשפה טבעית, מבין את הלקוח ומבצע פעולות אמיתיות — קובע תור, מעדכן CRM, מעביר לנציג. במדריך: הפייפליין STT→LLM→TTS, סוד ה-latency, הפלטפורמות (Vapi, LiveKit, Realtime API), ואיך בונים סוכן קול עסקי שמתחבר לאוטומציה שלך.
מה זה סוכן קול ולמה זה קפץ ב-2026
סוכן קול (Voice AI Agent) הוא מערכת שמאפשרת ל-AI לנהל שיחה קולית דו-כיוונית בזמן אמת — לשמוע, להבין, לחשוב ולענות בקול טבעי, תוך כדי שהוא מבצע פעולות במערכות אחרות. בניגוד ל-IVR הישן ("הקש 1 לשירות"), הלקוח פשוט מדבר כרגיל והסוכן מבין.
שני דברים גרמו לקפיצה: מודלים מהירים מספיק לתגובה בזמן אמת, ו-TTS שנשמע אנושי (כמו ElevenLabs). התוצאה — סוכני קול שכבר עונים למוקדים, קובעים תורים ומבצעים שיחות יוצאות, 24/7, בעלות של שברירי שקל לדקה.
הפייפליין — STT → LLM → TTS
כל סוכן קול, מתחת למכסה המנוע, מריץ את אותה שרשרת של שלושה שלבים שקורים בלולאה במשך כל שנייה של השיחה:
מעל שלושת אלה יש שכבת טלפוניה (Twilio, Telnyx) שמחברת למספר טלפון אמיתי, ושכבת orchestration שמתזמנת את הכל ומטפלת בהפרעות. גישה חדשה יותר — Speech-to-Speech (כמו OpenAI Realtime API) — מדלגת על שלב הטקסט ומדברת ישירות קול-לקול, לזמן תגובה נמוך במיוחד.
Latency ו-Turn-taking — הסוד לשיחה טבעית
ההבדל בין סוכן קול טוב לגרוע הוא זמן התגובה. בשיחה אנושית, שקט של יותר משנייה מרגיש מביך. היעד המקצועי: פחות מ-800ms מרגע שהלקוח סיים לדבר ועד שהסוכן מתחיל לענות. כדי להגיע לשם, כל שלב בפייפליין חייב לרוץ ב-streaming — לא לחכות לסיום.
- Endpointing — לזהות מתי הלקוח באמת סיים לדבר (ולא רק עצר לרגע). זיהוי שגוי גורם לסוכן להיכנס לדברי הלקוח.
- Barge-in / הפרעה — כשהלקוח מתחיל לדבר בזמן שהסוכן מדבר, הסוכן חייב להשתתק מיד ולהקשיב. זה הכרחי לשיחה טבעית.
- Backchanneling — "אהה", "הבנתי" — קולות קטנים שמאותתים שהסוכן מקשיב.
- Filler words — הסוכן יכול לומר "רגע, בודק..." בזמן שהוא שולף מידע, כדי למלא את השקט.
אפשר לחבר STT+LLM+TTS ידנית, אבל ה-orchestration (endpointing, barge-in, טלפוניה, latency) היא ההנדסה הקשה. לכן רוב הבונים משתמשים בפלטפורמה שמטפלת בזה — ומתמקדים בלוגיקה העסקית.
הפלטפורמות המובילות ב-2026
| פלטפורמה | גישה | מתאים ל |
|---|---|---|
| Vapi | Orchestration פתוח | בחירת רכיבים חופשית |
| LiveKit Agents | קוד פתוח (WebRTC) | שליטה מלאה, self-host |
| OpenAI Realtime API | Speech-to-Speech | latency נמוך במיוחד |
| ElevenLabs Agents | מנוהל, קול מעולה | הקמה מהירה |
- Vapi — שכבת orchestration שמחברת רכיבים best-of-breed (בחר STT, LLM ו-TTS משלך) בלי לנעול אותך. פופולרי מאוד לבנייה מהירה עם גמישות.
- LiveKit Agents — קוד פתוח מבוסס WebRTC. הבחירה כשצריך שליטה מלאה, self-hosting ו-scale.
- OpenAI Realtime API — גישת Speech-to-Speech ישירה, מדלגת על הטקסט. ה-latency הנמוך ביותר, אבל פחות שליטה על כל שלב.
- ElevenLabs Agents — פתרון מנוהל עם הקול הכי טוב בשוק והקמה מהירה בממשק.
בניית סוכן קול — האנטומיה
הקמת סוכן קול ב-Vapi (או דומה) מסתכמת בהגדרת חמישה מרכיבים:
- System Prompt — מי הסוכן, מה מטרתו, טון הדיבור, ומה מותר ואסור. זה הלב של האישיות והתנהגות.
- קול (Voice) — בחירת ה-TTS והקול, כולל תמיכה בעברית ומהירות דיבור.
- Tools / Functions — פעולות שהסוכן יכול לבצע: בדיקת זמינות ביומן, יצירת ליד ב-CRM, שליחת SMS. כאן נכנס ה-MCP וה-webhooks.
- מספר טלפון — חיבור למספר דרך Twilio/Telnyx לשיחות נכנסות ויוצאות.
- העברה לאדם (Handoff) — מתי ואיך הסוכן מעביר לנציג אנושי כשהוא נתקע.
מקרי שימוש עסקיים
בהרבה מקומות חובה לגלות שמדובר ב-AI, ולשיחות יוצאות יש כללי הסכמה (opt-in) והגבלות שעות. הקלטת שיחות דורשת יידוע. בדוק את הרגולציה במדינתך לפני שאתה מפעיל סוכן קול מול לקוחות — במיוחד בשיחות יוצאות.