8周造出能接真人电话的语音前台

Autor团队用8周时间，把"给诊所做语音前台"的想法变成了每天处理数千通电话的生产系统。不是演示版，是真实患者凌晨两点打进来也能接通的完整方案。

他们从零开始选技术栈、跑测试、做盲测，最后让22个患者没听出对面是AI。这篇文章记录了他们每个关键决策的取舍逻辑——哪些坑其实可以避开，哪些"行业标准"根本不够用。

凌晨两点的电话，没人接

安大略省一家牙科诊所找到Autor时，问题很典型：下班后电话没人接，患者流失。前台每天花3小时以上处理重复来电——确认预约、回答保险问题、转接急诊。他们试过现成的语音方案，患者一听就知道是机器人，反而更困惑。

Autor团队当时已经做过40多个AI产品。他们清楚，语音AI的演示版和真正能处理真人来电的系统之间，差距比想象的大。真人患者会焦虑、会生气、会语无伦次。他们定了8周目标，开始干活。

第一个决策花了两周：选语音转文字和文字转语音的供应商。他们测试了4家STT和3家TTS，数据很具体。

语音转文字选了Deepgram。对比Deepgram、Google Cloud Speech、AWS Transcribe和自托管Whisper，Deepgram在加拿大英语、多种口音场景下，延迟和准确率平衡最好。首字节延迟平均180毫秒，Google是320毫秒。电话对话里，140毫秒的差距就是"自然"和"别扭"的分界线。Whisper准确率最高，但实时性不行——GPU实例上流式延迟也超过400毫秒，没法用。

文字转语音选了ElevenLabs。他们需要一种不会触发"我在跟机器人说话"反应的音色。ElevenLabs的Turbo v2模型延迟150毫秒，音质接近真人。30个真实患者盲测，22人没意识到对方是AI。

电话线路选了Twilio。Media Streams API支持WebSocket双向音频流，团队用过，熟悉边界情况，加拿大号码 provisioning 也稳定。短暂考虑过Vonage，但WebSocket实现测试时可靠性有问题。

大模型的意外表现

核心对话逻辑需要语言模型处理：理解患者意图、管理预约、回答保险问题、判断何时转人工。团队用200组模拟患者对话测试GPT-4和Anthropic Claude，结果出乎意料。

Claude更擅长说"我不知道"。医疗场景里，编造答案比承认不懂更危险。测试边缘案例时——罕见保险情形、具体手术问题——Claude的拒绝率更高，幻觉更少。GPT-4倾向于"帮助"患者，有时会给出一个看似合理但错误的答案。

但GPT-4在工具调用上更可靠。预约系统需要精确的时间槽匹配、保险验证需要调用外部API，GPT-4的结构化输出更稳定。最终方案是混合架构：Claude处理开放式对话和不确定性管理，GPT-4处理需要精确工具调用的子任务。

这个决策增加了系统复杂度，但降低了医疗风险。团队算过账：一次错误预约或保险信息误导的代价，远高于维护双模型的工程成本。

让患者"忘记"自己在跟AI说话

技术选型只是基础。真正难的是对话设计——怎么让患者在60秒内建立信任，愿意继续聊下去。

团队发现三个反直觉的点。第一，开场白不能太完美。早期版本用流畅的"您好，这里是XX诊所，有什么可以帮您"，患者反而警觉。改成带一点停顿、一点呼吸声的"呃，您好……这里是XX诊所"，信任度上升。

第二，必须允许打断。真人对话是重叠的，患者会抢话、会重复。系统需要200毫秒内的打断响应，否则对话节奏就断了。Deepgram的实时转写+本地缓存策略，把打断延迟压到150毫秒以内。

第三，沉默处理比说话更难。患者思考时的空白、信号不好的断续，系统不能急着填充。团队训练了一个专门的"等待状态"模型，区分"用户在思考"和"连接中断"，前者的等待阈值是3秒，后者0.5秒触发重连提示。

这些细节来自真实通话的逐句复盘。前两周，工程师每天听20通录音，标记"这里患者犹豫了""这里应该更快确认"。第4周开始，患者主动说"你是真人吗"的频率从17%降到4%。

医疗场景的隐藏规则

通用语音AI和医疗语音AI的区别，在于必须嵌入行业特有的约束条件。

首先是急诊分流。牙科诊所有明确的急诊定义：剧烈疼痛、外伤、术后出血。系统需要在90秒内判断是否符合急诊标准，符合则立即转接值班医生，同时发送短信通知。非急诊则进入常规预约流程。这个判断不能错——漏接急诊是医疗事故，过度转接则浪费医生时间。

团队用决策树+模型混合方案：关键词触发快速通道，模糊描述进入模型判断，置信度低于阈值时主动询问细节。测试集覆盖127种急诊描述变体，召回率98.7%，误转率3.2%。

其次是隐私合规。加拿大PIPEDA法案要求通话录音明确告知、数据本地存储、患者随时要求删除。技术实现上，开场白包含"本次通话将录音用于服务质量改进"，Twilio流式传输到加拿大AWS区域，删除请求触发自动化清理流程，72小时内完成全链路清除。

最棘手的是保险验证。加拿大各省保险计划规则不同，安大略省的OHIP不覆盖牙科，但患者常混淆。系统需要解释"您的检查费用由保险覆盖，但治疗部分需要确认您的私人保险"，同时不给出具体金额承诺——那是前台人工确认的范畴。边界划得很细：AI可以解释规则，不能解释具体个案。

8周时间线的真实节奏

周1-2：技术选型+基准测试。STT/TTS/电话线路三管齐下，每天跑数百组测试用例，锁定供应商。

周3-4：核心对话流开发。MVP版本只处理预约确认单一场景，内部测试200通，修复打断、沉默、重复确认等基础问题。

周5-6：场景扩展+医疗规则嵌入。加入急诊分流、保险问答、转人工逻辑。引入第一位真实客户——就是那家安大略牙科诊所——小流量灰度，每天10通真实来电。

周7：压力测试+边界 case 清理。模拟100并发来电，发现Twilio WebSocket在高峰时有0.3%丢包，改用指数退避重连策略。整理47个患者"为难"系统的真实录音，针对性优化。

周8：生产上线+监控体系。部署实时质量看板：平均通话时长、转人工率、患者满意度评分、模型幻觉触发次数。首日处理47通来电，转人工率12%，无急诊漏接。

这个节奏的前提是团队有40+ AI产品的经验积累。如果是从零开始，仅STT选型两周就不够——需要理解延迟和准确率的 trade-off 在电话场景中的具体含义。

上线后的意外发现

系统运行三个月后，数据揭示了几个设计时没预料到的模式。

来电时间分布完全颠覆预期。原以为"24小时"的价值在夜间急诊，实际夜间来电仅占7%，且大部分是焦虑性非急诊——患者牙痛睡不着，想确认明天能否加号。真正的高价值场景是工作日午餐时段：前台休息，电话无人接听，患者直接流失。AI前台把这个时段的预约转化率从31%提升到67%。

患者对AI的接受度与年龄无关，与场景有关。65岁以上患者在预约确认场景的配合度，和25岁群体没有显著差异。但涉及保险解释时，年龄差异显现——老年患者更倾向要求"让我跟真人说话"。系统在保险环节增加了"如需详细解释，可转接前台"的主动提示，转接率上升但满意度也上升。

最意外的是"AI幻觉"的新形态。语言模型不会编造保险规则，但会过度推断患者意图。例如患者说"我想取消明天的预约"，系统追问"是因为时间冲突吗？我可以帮您改期"，患者反而烦躁——"我就是想取消"。团队增加了"确认即执行，不主动推销"的约束层，平均通话时长缩短23秒，满意度提升。

技术债与下一步

8周上线的代价是明确的技术债。双模型架构的维护成本每月增加约15%工程时间，长期需要评估是否Claude或GPT-4的单模型更新能覆盖双方优势。

语音克隆的伦理边界也在浮现。ElevenLabs的音色定制功能让诊所可以选"听起来像我们前台"的声音，但患者是否有权知道对方是AI？目前行业无统一标准，Autor采用保守策略：开场白明确说明"我是AI助手"，不追求完全不可区分。

扩展路径上，团队拒绝了"通用语音客服"的方向。医疗场景的合规深度、专科知识壁垒，反而是护城河。下一步是专科细分：正畸、牙周、口腔外科的预约逻辑差异很大，值得单独优化。

对于想进入这个领域的团队，Autor的经验是：先选一个足够痛、足够具体的场景，把端到端体验做到患者愿意用，再考虑扩展。语音AI的技术选型很重要，但对话设计的颗粒度、对行业规则的理解，才是从demo到产品的真正门槛。