Telnyx、AI音声エージェントで見積もり即座生成

Telnyx は、着信通話に応答し、要件を収集するための会話型インタビューを実施し、明細項目と月額合計を含む価格見積もりを提供する完全なオープンソース AI 音声エージェントの例をリリースした。アプリケーションは Python（app.py の 102 行）で記述され、Telnyx Call Control を使用して電話対話を管理し、Telnyx AI Inference 経由で Llama 3.3 70B を使用して会話を駆動し、構造化データを抽出する。

ワークフローは単純である。発信者が Telnyx 電話番号にダイアルする。エージェントはテキスト音声オーディオで「どのような通信サービスをお探しですか？」と尋ねる挨拶をする。発信者が自然音声で応答する。AI はリスニングし、会話全体でコンテキストを維持し、数量を推定するために 3～4 回のフォローアップ質問を行う（例：「1 か月あたり何件の SMS メッセージですか？」）。AI が十分な情報を得たら、明細項目と月額合計を含む見積もりを再度テキスト音声で要約する。

価格カタログはシステムプロンプトに JSON オブジェクトとして組み込まれている。この例では、voice_minutes（1 単位あたり 0.005）、SMS_messages（0.004）、local_numbers（1.00）、toll_free_numbers（2.00）、SIP trunking channels（2.50）、AI inference tokens（1k あたり 0.01）、cloud storage（GB あたり 0.05）、および fax pages（0.07）が含まれている。AI はこのカタログを使用して明細項目の小計と月額合計をその場で計算する。システムプロンプトは AI のトーン と動作も制御し、発信者が何を必要とするかを尋ね、数量を推定し、明細項目と月額合計を含む要約を行うよう指示し、応答を 2 文以下に保つ。

通話終了時、アプリは完全な会話トランスクリプトをキャプチャし、異なるシステムプロンプトで AI に送信する：「価格見積もりを抽出してください。JSON を返す：line_items（{product、quantity、unit_price、subtotal} のリスト）、monthly_total（数値）、notes（文字列）」。AI はトランスクリプトを解析し、クリーンな JSON オブジェクトを出力する。明細項目（各々が製品、数量、単価、小計を表示）、monthly_total、および オプションのノート。アプリはその後、発信者の電話番号とタイムスタンプ（ISO 8601 形式）を取り付け、見積もりを保存する。見積もりは GET /quotes エンドポイント経由でアクセス可能で、最後の 20 件の見積もりを JSON として返す。CRM、ビリング システム、またはアナリティクス ダッシュボードと統合する準備ができている。

アプリは Telnyx からウェブフックを受信する Flask サーバーとして実行される。ウェブフック ハンドラは状態機械である：call.initiated で、通話に応答し、会話履歴を初期化する（システムプロンプト付き）；call.answered で、グリーティングを話す；call.speak.ended で、発信者の音声入力を収集する；call.gather.ended で、音声を会話に追加し、推論 API を呼び出し、応答を追加し、話す；call.hangup で、見積もりを JSON として抽出し、保存する。全会話履歴は各ターンで推論 API に渡されるため、AI はフルコンテキストを維持する。

記事には設定手順が含まれている：GitHub リポジトリをクローン、.env ファイルを Telnyx API キー、公開キー、AI モデル名（meta-llama/Llama-3.3-70B-Instruct）、および Telnyx 電話番号で設定、Python 依存関係をインストール、Flask アプリを開始、ngrok でローカル サーバーを公開、Call Control Application のウェブフック URL を ngrok HTTPS URL にポイント。実行されると、任意の発信者が Telnyx 番号にダイアルして見積もりを受け取ることができる。

カスタマイズは単純である：PRICING 辞書をスワップして製品とユニット コストを変更、SYSTEM_PROMPT を編集して AI の質問スタイルを変更するか割引ロジックを追加、または抽出された見積もりを通話後に SMS 経由で送信するコードを追加する。記事はまた本番環境の考慮事項を概説している：インメモリ見積もりストレージをデータベース（PostgreSQL または Redis）に置き換える、gunicorn で複数ワーカーの背後でアプリを実行して並行処理を実現、推論タイムアウトと通話障害のエラー復旧を追加、/quotes エンドポイントで API キーを検証、Telnyx ウェブフック署名を検証、異なるシステムプロンプトと温度設定をテスト、レート制限を実装、通話成功/失敗率に対する構造化ロギングとアラート設定を追加、抽出された見積もりを CRM システムに統合する。

この記事は、価格見積もり営業プロセスからの摩擦を排除するために設計されたエンドツーエンドの AI 音声エージェントの実用例を提示している。従来のフローは、発信者がフォームを記入し、営業メールを待つか、人間に転送される必要があり、すべてが転換を減らす摩擦点である。本エージェントはリアルタイム音声会話を実行し、発信者の応答に基づいて質問を適応させ（例：発信者が SMS について言及した場合にのみ SMS ボリュームについて尋ねる）、通話自体で見積もりを提供する。

技術アーキテクチャは単純である：着信通話は Telnyx ウェブフックをトリガーし、Flask アプリで状態機械を駆動する。各イベント（通話開始、通話応答、音声取得、通話終了）は次のアクション（call initiated、call answered、speech gathered、call ended）をトリガーする。AI モデル（Llama 3.3 70B）は、会話の実施と後续のデータ抽出という 2 つの異なるタスクを処理する。通話後の抽出がキー革新である。AI が会話中に構造化 JSON を生成することに依存する代わりに（エラーが発生しやすい可能性がある）、アプリは特定の抽出プロンプト付きでトランスクリプトを再生し、クリーンで機械が読み取り可能な見積もりオブジェクトを生成し、ビリング システムまたは CRM と統合する準備ができている。

本番環境では、インメモリ ストレージはデータベースに置き換える必要があり、並行処理は WSGI サーバー（gunicorn）で管理する必要があり、エラー復旧とモニタリングが不可欠である。カスタマイズサーフェス（システムプロンプトと価格カタログ）は明示的で、ビジネスが異なる製品カタログ（コンサルティング、SaaS、製造）と質問戦略に対してエージェントを適応させることができ、コア ロジックに触れることなく。

まだコメントがありません。最初のコメントを投稿しましょう！