語音代理不再只是「語音辨識 + 規則回應 + 文字轉語音」的拼裝。Firecrawl 的 Ninad Pathak 在 2026 年 9 月 8 日的文章中指出，新一代 AI 語音代理能持續對話、呼叫工具，甚至在通話中完成任務。但市場上外觀相似的平台很多，要選出適合自己的，得先搞懂它們在「怎麼建構、底層跑什麼、怎麼處理電話、以及成本結構」上的差異。
語音代理的六個核心零件
Pathak 把一個語音代理拆成六個協調部分：
- 電信或即時傳輸：從電話、瀏覽器或 App 傳送音訊。
- 語音轉文字與轉換偵測：把音訊變成文字，並判斷來電者何時講完。
- 語言或語音轉語音模型：理解意圖並選擇回應或工具。
- 工具與商業邏輯：讀取 CRM、行事曆等系統，進行授權變更，必要時轉接。
- 文字轉語音：把回應轉回音訊（若模型未直接生成音訊）。
- 狀態、護欄與可觀測性：維持對話連貫、限制代理行為、事後解釋失敗。
理解這六層，你才能分辨平台之間的真正差異——例如有些平台只提供其中幾層，其他層需要你自己組裝。
評估的四個維度：延遲、部署、任務完成、成本
Pathak 提出四個評估維度，其中「成本」最容易被低估。
延遲與打斷：人類對話的轉換峰值在 200ms 內，維持 sub-500ms 的回應才感覺自然。要測試 barge-in（來電者打斷）、錯誤打斷（背景噪音或「嗯」）以及受保護語音（如法律免責聲明）是否可停用。
部署模式：可組合平台（如 Vapi、LiveKit）讓工程團隊掌控模型、電信層與託管，但需維護更多系統；封裝平台（如 Retell、Bland）則適合只想改提示詞與通話流程的團隊。
任務完成：不只是「能對話」，而是能否完成實際工作。例如重新預約，代理必須觸發工作流程、檢查行事曆、確認變更。失敗路徑也很重要——行事曆回應慢或失敗時，不能產生假確認或重複更新，而應轉接給真人。
成本：廣告價格可能只涵蓋部分堆疊。Pathak 舉例：一個 $0.05 的平台分鐘，加上其他語音堆疊後可能變成 $0.13，一通六分鐘的電話就要 $0.78。決策指標應是「總成本除以成功解決的通話數」，而不是每分鐘單價。
十個平台，四種定位
Pathak 比較了十個平台，大致可分為四種定位：
- 封裝自助平台：Retell AI、Bland、ElevenLabs。適合想快速上線、不想維護即時基礎設施的團隊。Retell 每分鐘 $0.07–$0.31，強調視覺化通話流程與自訂函式；ElevenLabs 則適合已圍繞其語音堆疊的團隊，免費層有 15 分鐘。
- 可組合開發平台：Vapi、LiveKit、Deepgram、Twilio。Vapi 每分鐘 $0.05 託管編排，但語音、模型、電話費用另計；LiveKit 開源，有 1,000 分鐘免費額度。
- 視覺化跨通道建構器：Voiceflow。設計師、營運與工程師可共享對話設計，但公開頁面未顯示數字型生產費率。
- 受管企業部署：Synthflow、PolyAI。適合採購、客服中心整合與治理比自助迭代更重要的企業，通常為銷售主導，價格不公開。
給產品建構者的務實建議
Pathak 的比較提醒我們：選擇語音代理平台，本質上是在選擇「你要擁有哪一層」。如果你把語音當作產品核心，可組合平台（如 Vapi）能讓你自由更換模型與電信商，但每個供應商都是一個要監控的服務。如果你只是要處理客服溢流或下班後電話，封裝平台（如 Retell）能讓產品與營運團隊協作，工程師只需連接 API。
另一個常被忽略的點是錄音與逐字稿的儲存位置、存取規則、保留期限與同意流程，必須符合公司政策。這不是功能比較表會列出的項目，但往往決定平台是否可用。
如果你正在評估語音代理的技術棧，也可以參考我們先前討論過的結構化資料擷取工具挑選指南，因為語音代理背後的工具呼叫與資料處理，同樣需要考慮層級與可驗證性。
最後，別忘了成本是「每通解決的通話」的真實成本，而不是每分鐘的廣告價格。先算出你目前的客服成本，再拿這個數字去對比平台的總擁有成本，你才不會被表面的低價誤導。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。