- 综合排序
- 最热优先
- 最新优先
- 来自专栏深挖大模型呼叫的发展
深度剖析：大模型呼叫如何重塑呼叫中心行业格局
大家好，本篇文章主要和大家分享呼叫中心技术在中国的发展历程，随着时代的进步，呼叫技术发生了翻天覆地的变化，我们来看看呼叫中心是怎么从人工发展到如今大模型呼叫阶段的。 2022 年之后，大模型技术的出现进一步推动了呼叫中心的智能化发展，云蝠智能大模型呼叫基于 3 万 + 场景及 4 亿次交互每年的 chatbot 开发能力沉淀，拥有神鹤 30 亿参数 NLP 语义模型 大模型呼叫将注重全渠道融合，以确保客户在任何渠道都能获得一致、连贯的服务体验。 大模型呼叫未来将更加注重 AI 伦理和数据安全。企业将加强数据加密、访问控制、隐私保护等方面的技术研发和管理措施，确保客户数据不被泄露和滥用。 同时，遵循相关法律法规和道德准则，避免 AI 系统产生歧视性、误导性或有害的对话内容，让大模型呼叫技术在安全、可靠的轨道上持续发展。
80810编辑于 2025-05-08 大模型 AI 呼叫产品的发展演变
在大模型的加持下，智能呼叫系统能够读取并理解客户管理系统中的用户信息，如姓名、背景等，进而生成个性化的沟通内容。这种基于大模型的智能呼叫，与上一代机器人相比，实现了跨时代的进步。 大模型时代的技术革新随着大模型技术的兴起，智能呼叫行业进入了一个新的技术周期。大模型智能体结合NLP语义理解，提供了一种成本效益高、响应迅速的解决方案。 1.选择合适的大模型智能呼叫系统的核心在于其处理自然语言的能力，这需要依赖于先进的大模型。大模型的选择应基于业务场景的具体需求，考虑到通话的流程特性和成本效益。 ，再结合大模型的方式，以上一代外呼为主，这一代大模型呼叫为辅的形式来完成，可以实现高效的自动化服务。 我们预见，下一代技术——以GPT-4o为代表的端到端技术，将进一步推动AI呼叫行业的发展。目前，大模型呼叫技术更多依赖于RAG搜索增强结合大模型的方式。
37601编辑于 2025-02-20- 来自专栏深挖大模型呼叫的发展
传统呼叫 out！大模型外呼引领企业通信新潮流，深度解析云蝠智能大模型呼叫，解锁企业高效沟通密码
同时，大模型外呼能够快速适应新的业务场景和变化，通过简单的自然语言描述就能生成新的对话流程，而传统呼叫系统在面对业务变更时，往往需要进行复杂的配置和开发工作。 （三）强大的数据处理与分析能力大模型外呼可以对呼叫过程中产生的海量数据进行深度挖掘和分析，为企业提供有价值的市场洞察。 四、云蝠智能大模型呼叫：实践案例与成果以云蝠智能大模型呼叫为例，其在技术和功能上展现出了卓越的优势。在技术方面，云蝠智能集成了神鹤 3B 意图理解模型，并可对接多种主流大模型，实现了强大的对话能力。 在功能特点上，云蝠智能大模型呼叫基于神鹤 AI 对话大模型，实现了复杂问题的高效匹配和可视化图形编辑器的对话体系编辑。它支持对同一问法提供多种回复方案，并通过 AI 模型自动纠错翻译。 在应用场景中，云蝠智能大模型呼叫广泛应用于精准营销、客户通知、售后回访和市场调研等领域。
70910编辑于 2025-02-25 云蝠智能大模型呼叫系统快速入门指南
以下是云蝠智能大模型呼叫系统的使用教程：前期准备初始化账户：通过云蝠智能官方渠道注册账号，完成相关的实名认证和企业信息填写等步骤，获取系统登录权限。 创建 AI 外呼任务登录呼叫中台：打开云蝠智能大模型呼叫系统，使用注册的账号登录到呼叫中台界面。点击新增任务：在呼叫中台找到 “AI 呼叫 2.0” 选项，点击 “新增任务” 按钮。 选择对话模型：根据业务需求和场景，从系统提供的对话模型中选择合适的模型，如神鹤 3B 意图理解模型、豆包等。 选择呼叫线路和并发数量：根据实际情况选择可用的呼叫线路，并设置合适的并发数量，以确保外呼任务能够高效进行。同时，根据需求设置呼叫时间，如指定具体的外呼时间段或选择立即执行。 导入呼叫号码：点击 “导入号码” 按钮，支持从本地文件（如 Excel、CSV 等格式）导入呼叫号码列表，也可以从系统的 CRM 中选择线索数据作为呼叫号码来源。
48010编辑于 2025-05-14呼叫智能体：传统呼叫中心的智能化延伸
在人工智能技术高速发展的今天，呼叫智能体（Call Agent）正成为企业服务升级的核心引擎。它不仅是传统呼叫中心的智能化延伸，更是融合语音克隆、多语种交互、智能体编排等前沿技术的综合解决方案。 一、呼叫智能体的核心技术栈声音克隆与TTS进化通过深度学习模型（如VITS、FastSpeech2），系统可克隆特定人声音色，结合大语言模型生成带情感韵律的语音。 分级推理机制：简单问题由轻量模型处理，复杂场景触发大模型，资源利用率提升50%。毫秒级延迟攻坚VPC内网加速：AI引擎与ECS服务器同可用区部署，网络延迟压降至5ms内。 三、典型业务场景落地场景类型技术方案效能提升外呼营销NLP意图识别+动态话术生成转化率提升18%-25%多语种客服实时语音翻译+文化适配引擎支持12种语言，人力成本降60%复杂业务办理大模型+RPA流程自动化车险定损效率提升 结语呼叫智能体正在重塑商业交互范式，其核心价值不仅在于成本优化，更在于通过智能化手段释放人力，聚焦高价值服务。
1.9K10编辑于 2025-03-04- 来自专栏全栈程序员必看
呼叫中心FAQ_客服呼叫中心介绍
呼叫中心FAQ(FrequentlyAsked Questions) 1、 什么叫呼叫中心？ 答：“呼叫中心”是公司企业为用户服务而设立的。 ）按呼叫类型分类 呼入型（INBOUND）呼叫中心 不主动发起呼叫，主要应用在技术支持、产品咨询等。 ；WEB呼叫中心；IP呼叫中心；多媒体呼叫中心；视频呼叫中心；统一消息处理中心 （5）按使用性质分类 自建自用型呼叫中心（In-house call center） 外包服务型呼叫中心 10、 什么叫做CMS 答：CMS叫做呼叫管理系统，是负责记录和汇报呼叫中心内各种和呼叫有关数据的管理系统，是目前呼叫中心解决方案中不可缺少的一环。 Call detail recording 呼叫详细信息记录 Call distribution 呼叫分配 Call model 呼叫模型 Calling Party
10.3K31编辑于 2022-11-16 从数据看 2025，中国大模型呼叫推荐市场的百亿蓝图
例如，金融、零售等领域的大模型呼叫推荐系统部署周期已从 6 个月缩短至 2 周，推动市场规模加速扩张。 例如，北京政务热线计划 2025 年将 30% 的人工座席替换为大模型呼叫系统，预计释放8 亿 - 10 亿元市场需求。 多模态融合：主流企业如云蝠智能通过自研神鹤 3B 模型与豆包、通义千问等大模型协同，实现了对话意图理解准确率超 98%，支持数万并发呼叫。 市场规模预测 若保持当前增速，2028 年大模型呼叫推荐市场规模将突破300 亿元，占呼叫中心整体市场的 60% 以上。其中，金融、零售、政务为前三大应用领域，合计占比达 75%。 2025 年大模型呼叫推荐市场的爆发式增长，本质是技术成熟度、商业模式创新与政策支持的共振结果。
82510编辑于 2025-04-07- 来自专栏全栈程序员必看
freeswitch呼叫中心开发
开发freeswitch呼叫中心 1、配置ivr 2、启用mod_callcenter 3、开发websocker接口，通过esl接口，发送callcenter_config 命令给fs 4、开发客户端页面 ，注册，注销，就绪，置忙等接口 5、开发来电弹屏，通过客户端读取redis参数实现 freeswitch的呼叫中心模块很方便的就可以让用户体验这种呼叫中心模式，包含了很多功能，具体参数的配置在使用中自行摸索 上面一些参数的含义，可以参照官网，我收集了一些，如下： Agent： 1、type：callback 或者 uuid-standby 2、contact：dial string(呼叫串) 3、status
4.7K20编辑于 2022-09-14 - 来自专栏学习/读书笔记
《呼叫中心技术》-- 下篇（笔记）
相关文章：《呼叫中心技术》-- 上篇（笔记） 3. 接入网关屏蔽了底层网络的复杂性，将来自不同网络的非实时接入请求抽象成统一的模型，并通过统一的接口将接入请求事件上报给CTI，实现多种网络接入请求的统一接入。 3.2 将统一通信技术应用到呼叫中心 3.2.1 统一通信架构 3.2.2 传统NGCC纵向分层的网络架构 3.2.3 基于统一通信的扁平化呼叫中心架构模型 统一通信业务平台概括起来可以包括以下4 3.2.4 基于统一通信的扁平化呼叫中心架构的具体实现 1）横向分层的具体实现架构 2）消息类业务的呼叫中心架构 3.3 扩展VXML，构建统一的全业务自动交互模型 在标准化方面，全业务IVR采用 3.4 呼叫中心的云化 云化云呼叫中心是基于云计算延伸出的一个新概念，是在现有呼叫中心的基础上，引入虚拟化、并行处理、负载均衡、服务计量等技术，对外提供多租户、资源弹性扩展、按需计费的“大容量、低成本”
5.4K30编辑于 2022-10-27 智能呼叫中心系统
在客户服务场景中，传统呼叫中心长期面临人力成本高、效率低、数据分析滞后等痛点。 多模态交互与意图识别关键技术：ASR语音识别：使用端到端模型（如Conformer）实现95%+识别准确率；NLP意图分类：基于预训练模型（如RoBERTa）构建垂直领域分类器，支持动态更新标签体系。 技术演进方向大模型应用：基于LLM（如GPT-4）实现零样本意图理解；边缘计算：通过端侧ASR降低云端负载（参考NVIDIA Riva框架）；数字人交互：结合3D建模与语音驱动技术，打造拟人化服务体验。 五、结语智能呼叫中心系统已从“成本中心”转型为“价值中心”，其技术演进始终围绕效率提升与体验优化两大核心。 未来，随着多模态大模型、边缘智能等技术的突破，系统将具备更强的自主决策能力，成为企业数字化转型的核心基础设施。
3.6K10编辑于 2025-03-12- 来自专栏个人路线
OpenHarmony一键呼叫
接口说明 call模块为开发者提供呼叫管理功能。observer模块为开发者提供通话业务状态订阅和取消订阅功能。 call.hasVoiceCapability()：能力获取，表示是否具有语音功能。 ohos.telephony.call'; import observer from '@ohos.telephony.observer'; 2.调用hasVoiceCapability()接口获取当前设备呼叫能力 ，如果支持继续下一步；如果不支持则无法发起呼叫。 // 如果设备支持呼叫能力，则继续跳转到拨号界面，并显示拨号的号码 call.makeCall("13xxxx", (err)=> { if (! console.info(" support voice capability, return"); return; } // 如果设备支持呼叫能力
97420编辑于 2022-12-05 - 来自专栏小洁叫你mysql
【AI大模型】训练Al大模型
大模型超越AI 目前所指的大模型，是“大规模深度学习模型”的简称，指具有大量参数和复杂结构的机器学习模型，可以处理大规模的数据和复杂的问题，多应用于自然语言处理、计算机视觉、语音识别等领域。 本文将探讨大模型的概念、训练技术和应用领域，以及与大模型相关的挑战和未来发展方向。 大模型是指具有庞大参数数量的机器学习模型。传统的机器学习模型通常只有几百或几千个参数，而大模型则可能拥有数亿或数十亿个参数。 训练大模型的挑战 训练大模型需要应对一系列挑战，包括： 以下是与大模型相关的一些代码示例： 计算资源需求： import tensorflow as tf # 指定使用GPU进行训练 with tf.device 更智能的模型压缩技术：模型压缩和加速技术将继续发展，以减小大模型的计算和存储开销。 更好的计算平台支持：为了支持训练和部署大模型，计算平台将继续改进，提供更强大的计算资源和工具。
1.4K30编辑于 2023-10-10 - 来自专栏EdisonTalk
呼叫中心项目学习总结
这几天一直在学习呼叫中心项目视频教程，跟着学习了下这个项目的一些关键知识点，现在回顾梳理一下重点： 一、三层架构设计+代码生成器： 复杂项目不能把SQL语句直接写到程序里，不模块化、难以维护，应该采用三层架构 = DialogResult.OK) { return; } //获得选中节点（父节点）的模型对象
4.5K31发布于 2018-08-20 - 来自专栏学习/读书笔记
《呼叫中心技术》-- 上篇（笔记）
采用分层设计思想，可将呼叫中心系统的实现模型分为4层：接入层、流程控制层、业务处理层、资源层。 新呼叫进入队列时，将从队列起始位置逐一比较，直到找到其合适位置则完成一次排队。 2）预测等待时间算法 可以构造基于平均服务时长的预测等待时间系统模型。 识别，根据声学模型、语言模型、语法进行识别。 产生识别结果，识别结果按照一定的文本结构返回。 CSTA中主要采用制定标准的呼叫模型和行为，定义完备的服务功能的策略来达到其目的。 CSTA是CTI标准中最关键的部分，它规定了计算域（CTI服务器）与通信域（PBX/ACD）之间的接口。 Monitor可以将计算汇总得到的数据和状态数据，根据设置的权限分发给不同的监控终端，如坐席状态、实时话务、排队信息等，并可以显示在大屏上。
8.2K20编辑于 2022-04-07 什么是呼叫智能体
它不仅能够实现传统呼叫中心的自动化服务，还融合了声音克隆、多语种交互等前沿技术，为企业和用户提供更高效、个性化的体验。本文将深入解析呼叫智能体的技术特点、核心挑战、解决方案以及典型业务场景。 高成本问题挑战：大模型运行需消耗大量计算资源，处理海量Token时成本激增。解决方案：预合成策略：对高频内容（如开场白、结束语）预先处理，减少实时计算量。优化模型结构：采用轻量化算法降低资源占用。 高延迟问题挑战：复杂模型导致响应延迟，影响实时交互体验。解决方案：分层处理与边缘计算：通过分层架构（如愈合层）减少数据处理链路。 解决方案：Agents模式：结合TTS语音合成与大语言模型，模拟人类语音的韵律与情感。端到端语音互动：集成情绪理解模块，提升对话自然度。三、典型业务场景1. 四、未来展望随着技术的持续演进，呼叫智能体将在以下方向实现突破：情感交互升级：通过更细腻的情感识别与表达，无限接近真人对话体验。成本与性能平衡：边缘计算与模型压缩技术将推动低成本、低延迟的普惠化应用。
67210编辑于 2025-02-26- 来自专栏创作是最好的自我投资
通用大模型VS垂直大模型
在人工智能这个充满无限可能的领域内，通用大模型和垂直大模型各有千秋。就我个人而言，在二者之间的选择上，并不存在偏向某一方的倾向。我觉得应当依据实际应用场景的具体需求，来挑选最为契合的大模型。 通用大模型通用大模型，乃是旨在应对多种任务与数据类型的庞然大物级人工智能模型。 在知识覆盖的广度方面，通用大模型无疑具有明显的优势。当我们对于当下所需模型所涉及的精确专业领域的界限感到模糊不清时，选择通用大模型无疑是一种明智之举。垂直大模型接下来谈谈垂直大模型。 然而，由于垂直大模型的训练内容聚焦于当前行业，其涉猎的范围更集中，数据针对性更强，所以在提供专业咨询时往往更加精准、细致，这也正是垂直大模型的独特价值所在。 因此，对于通用大模型或者垂直大模型，更倾向于哪一方不取决于个人想法，而是取决于用户需要。
64600编辑于 2024-12-30 - 来自专栏IT从业者张某某
大模型与大模型的幻觉问题
参考 大模型中的涌现 OpenAI 科学家：幻觉是大模型与生俱来的特性，而非缺陷 大模型「幻觉」，看这一篇就够了｜哈工大华为出品 大模型 什么是大模型 大语言模型（LLM）是基于海量文本数据训练的深度学习模型 大模型的模型发展如下图 涌现 参考：大模型中的涌现 什么是涌现？先从蚂蚁开始说起。蚂蚁是自然界中一种个体非常简单，但是群体能力非常强大的生物。 如何解决大模型的「幻觉」问题？ 方向一：什么是大模型「幻觉」 大模型出现幻觉，简而言之就是“胡说八道”。 用文中的话来讲，是指模型生成的内容与现实世界事实或用户输入不一致的现象。 OpenAI 科学家 Andrej Karpathy关于大模型幻觉 在 Karpathy 看来： 从某种意义上说，大语言模型的全部工作恰恰就是制造幻觉，大模型就是「造梦机」。 只有大模型助手存在幻觉问题。 方向二：造成大模型「幻觉」的原因 那么致使大模型产生幻觉的原因都有哪些？
1.7K11编辑于 2024-01-04 - 来自专栏数据派THU
原创 | 大模型扫盲系列——初识大模型
为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文将从大模型的原理、训练过程、prompt和相关应用介绍等方面进行分析，帮助读者初步了解大模型。 为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。本文讨论的大模型将以平时指向比较多的大语言模型为例来进行相关介绍。 训练三步骤 初步认识了大模型长什么样了，接下来一起来看看如何训练出一个大模型。 除这些外还包括算法优化、隐私和数据安全以及模型可解释性等方面的研究和应用，每天还有很多大模型的应用正在不断涌现，大模型在未来仍然有很大的发展潜力，国内的优秀大模型代表例如百度文心大模型也正在搭建全系统产业化的大模型全景 大模型挑战 大模型也存在一些现实挑战： 1.数据安全隐患：一方面大模型训练需要大量的数据支持，但很多数据涉及到机密以及个人隐私问题，如客户信息、交易数据等。
20.9K29编辑于 2023-11-22 - 来自专栏全栈程序员必看
呼叫中心坐席功能都有哪些？
呼叫中心坐席功能都有哪些？ 目录 呼叫中心坐席功能都有哪些？ 为什么写这篇文章呢？ 呼叫中心坐席功能有哪些呢？ IPCC是IP呼叫中心（IP CallCenter）的简称，本质上是以IP技术和IP语音为主要应用技术的呼叫中心构建方式，即利用IP传输网来传输与交换语音、图像和文本等信息。 其实IP呼叫中心只是我接触的项目中的一小部分，在此举例说明下生活中常见的呼叫中心，比如中国移动的10086客服热线、电信公司10000号、预定火车票12306、顺丰快递95338热线等，打电话进去听到语音导航 ，转接，业务的自助查询办理，以上说的这些都是呼叫中心平台的典型应用（估计很多小伙伴都知道我是做什么的了，o(∩_∩)o ）。 呼叫中心坐席功能有哪些呢？ 普通坐席条(以厂家大唐高鸿提供的坐席条为例) 复位：可以在坐席工具条的状态非正常时，重新使状态条的工作状态恢复初试状态，从而继续正常工作。
3.8K20编辑于 2022-09-07 - 来自专栏人工智能极简应用
【AI大模型】Transformers大模型库（八）：大模型微调之LoraConfig
一、引言 这里的Transformers指的是huggingface开发的大模型库，为huggingface上数以万计的预训练大模型提供预测、训练等服务。 你可以直接使用一个框架训练你的模型然后用另一个加载和推理。 LoRA是一种用于微调大型语言模型的轻量级方法，它通过添加低秩矩阵到预训练模型的权重上来实现适应性调整，从而在不显著增加模型大小的情况下提升特定任务的性能。 task_type: 指定任务类型，如'CAUSAL_LM'，以确保LoRA适应正确应用到模型的相应部分。 get_peft_model(model, config) print_trainable_parameters(model) 三、总结 本文简要介绍LoraConfig的配置参数情况，具体的机遇peft对大模型进行微调后面单独开一页详细讲解
84910编辑于 2024-08-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号