Suara, Pendengaran, dan Giliran Bicara
Buka di CMSDi halaman ini Anda memilih bagaimana asisten terdengar dan bagaimana ia mendengarkan: suaranya, gaya bicaranya, model yang mengubah ucapan menjadi teks, dan (untuk panggilan Turn-by-turn) cara ia memutuskan kapan user selesai berbicara.
Semua pengaturan ini ada di halaman Agent voice (Conversation → Voice di sidebar CMS), yaitu satu halaman berisi beberapa bagian. Pengaturan ini hanya muncul saat Voice conversations menyala: suara dan speaking style di bagian Voice, serta speech recognition dan giliran bicara di bagian Call flow, tepat di bawah Conversation style. Interupsi dan push-to-talk ada di fold Advanced pada Call flow.
Dalam contoh ini Atlas, asisten operasional Kirana Group, memakai nilai default: suara Marin, speech recognition gpt-transcribe, speaking style Everyday, dan mode mendengarkan Turn-by-turn tanpa push-to-talk. Bagian di bawah menjelaskan setiap pengaturan dan kapan Anda perlu mengubahnya.
Sebelum memulai
- Nyalakan Voice conversations dan pilih conversation style. Beberapa pengaturan di sini khusus Turn-by-turn dan disembunyikan saat Natural conversation dipilih.
- Opsional: tulis welcome message, agar sampel suara mengucapkan sapaan Anda yang sebenarnya.
Voice and listening
Bagian Voice memungkinkan Anda memilih suara yang dipakai asisten AI dan bagaimana ia terdengar dalam percakapan. Suara yang ditawarkan mengikuti tempat voice berjalan, yang dipilih di bagian Models: Qlar voice (suara GPT-Realtime) untuk Turn-by-turn, Qlar voice (suara GPT-Live) untuk Natural conversation, atau suara dari akun Anda sendiri atau komputer yang terhubung.

Assistant's voice
Memilih suara yang dipakai untuk respons lisan asisten. Setiap conversation style punya daftarnya sendiri dan menyimpan pilihannya sendiri.
Turn-by-turn: alloy, ash, ballad, coral, echo, sage, shimmer, verse, marin (default), cedar.
Klik tombol ▶ di samping dropdown untuk mendengar sampel dengan suara yang dipilih sebelum menyimpan. Sampel mengucapkan welcome message milik agent Anda sendiri, sehingga Anda mendengar suara itu mengucapkan sapaan yang benar-benar akan diterima user. Jika belum ada welcome message yang ditulis, sebuah kalimat bawaan singkat berbahasa Inggris yang diucapkan.
Natural conversation: 22 suara, default cedar: sepuluh suara di atas, ditambah dua belas suara dengan aksen regional:
| Suara | Bahasa | Pengaruh regional | Karakter |
|---|---|---|---|
beacon | Inggris | Filipina | Maskulin |
bossa | Portugis | Brasil | Feminin |
cinder | Inggris | Amerika Serikat bagian selatan | Maskulin |
delta | Inggris | Amerika Serikat bagian selatan | Feminin |
gleam | Inggris | Amerika Utara | Feminin |
meridian | Inggris | Amerika Utara | Maskulin |
quartz | Inggris | Australia | Feminin |
ripple | Inggris | Australia | Maskulin |
stone | Inggris | Irlandia | Maskulin |
tempo | Portugis | Brasil | Maskulin |
vesper | Inggris | Inggris (Britania) | Maskulin |
willow | Inggris | Irlandia | Feminin |
Pengaruh regional menggambarkan gaya bicara suara tersebut; dengarkan suara itu dalam bahasa agent Anda (misalnya dengan sampel ▶) sebelum memilihnya. Suara yang muncul di kedua daftar tetap terdengar sedikit berbeda di Natural conversation. Untuk Natural conversation, tombol ▶ memutar sampel tetap dari suara tersebut, bukan welcome message Anda.
Saat Natural conversation dipilih, daftar Turn-by-turn pindah ke bagian tersendiri Voice-note replies di samping bagian Voice, sebagai Voice for voice-note replies: suara yang dipakai saat asisten menjawab dengan voice note (misalnya di WhatsApp). Suara yang hanya tersedia di Natural conversation tidak bisa dipakai untuk voice note.
Speech recognition
Khusus Turn-by-turn. Pengaturan pertama di bagian Call flow. Disembunyikan saat Natural conversation dipilih: style tersebut punya pengenalan suara bawaan, yang tidak dikenai biaya terpisah.
Memilih model yang dipakai untuk mentranskripsi input lisan user menjadi teks. Sebagian besar tim sebaiknya tetap memakai default yang direkomendasikan.
| Model | Catatan |
|---|---|
gpt-transcribe | Default. Ditagih per menit audio, bukan per token. |
gpt-4o-mini-transcribe | Lebih cepat dan lebih murah daripada gpt-4o-transcribe, ditagih per token. |
gpt-4o-transcribe | Transkripsi dengan akurasi tinggi, ditagih per token. |
whisper-1 | Model transkripsi lama. Dipertahankan untuk agent yang sudah dikonfigurasi dengannya. |
Speaking style
Bagaimana asisten terdengar saat berbicara, di kedua conversation style:
| Nilai | Perilaku |
|---|---|
| Everyday (default) | Santai seperti percakapan, sesekali dengan "hmm" atau kata pengisi. Tingkat formalitas mengikuti persona. |
| Expressive | Lebih hidup dan hangat: bereaksi terhadap user dan lebih sering memakai kata pengisi. |
| Formal | Jawaban lisan yang sopan dan profesional, tanpa kata pengisi atau bahasa gaul. |
Mission dan personality persona dari Behavior juga membentuk cara agent berbicara selama panggilan. Persona Atlas "precise, calm, and dependable" dan profesional, sehingga Everyday sudah terdengar profesional. Pilih Formal jika agent Anda sama sekali tidak boleh memakai kata pengisi.
Conversation flow
Khusus Turn-by-turn. Di bawah Speech recognition pada bagian Call flow, dengan Stop assistant on interruption di fold Advanced. Pengaturan ini disembunyikan saat Natural conversation dipilih: style tersebut tidak punya deteksi giliran yang perlu diatur. Ia mendengarkan sepanjang waktu dan memutuskan sendiri kapan berbicara dan kapan mengalah. Padanannya ada di Pengaturan Natural Conversation.
Disebut juga turn-taking atau voice activity detection (VAD), inilah yang memberi tahu sistem kapan user sedang berbicara dan kapan sudah selesai, sehingga sistem tahu kapan giliran AI untuk merespons. Tanpa deteksi giliran yang baik, asisten bisa memotong user di tengah pemikirannya, atau merespons suara latar dan suara pengisi seperti "hmm" seolah-olah itu giliran bicara yang sungguhan.

Detect when the user has finished
Mati secara default. Saat menyala, deteksi giliran berbasis model, bukan semata berbasis energi suara: ia mengenali jeda alami dalam ucapan alih-alih menunggu waktu yang tetap, sehingga lebih baik dalam membedakan ucapan sungguhan dari suara pengisi dan suara latar. Tanda info di samping label menyebut ini semantic VAD.
Response speed
Muncul saat Detect when the user has finished menyala. Pengaturan ini mengontrol seberapa cepat model mengakhiri giliran user: Automatic (default), Slower, Balanced, atau Faster. Faster merespons lebih cepat tetapi bisa lebih sering menyela.
Noise filter
Muncul saat Detect when the user has finished mati. Pengaturan ini berupa slider dari Faster response di kiri sampai Ignores noise di kanan. Menggesernya ke kanan mengabaikan lebih banyak suara latar; menggesernya ke kiri membuat respons lebih cepat, dengan risiko lebih banyak interupsi palsu. Agent baru dimulai di dekat ujung kanan, yang sengaja sulit dipotong: suara latar dan gema speaker diabaikan, dan asisten cenderung menyelesaikan kalimatnya. Jika Anda ingin agent yang mudah disela, nyalakan Stop assistant on interruption dan geser slider ke arah tengah.
Stop assistant on interruption
Ada di fold Advanced. Mati secara default. Saat menyala, asisten berhenti berbicara begitu user mulai bicara: responsif, tetapi bisa terpotong oleh balasan pendek seperti "ok" atau "mhm". Saat mati, asisten menunggu sekitar satu detik sebelum berhenti, sehingga tidak terpotong oleh balasan pendek seperti "ok".
Push-to-talk
Khusus Turn-by-turn. Ada di fold Advanced pada bagian Call flow, bersama Stop assistant on interruption. Disembunyikan saat Natural conversation dipilih. Panggilan Natural conversation selalu mendengarkan, sehingga tidak pernah menampilkan tombol tahan-untuk-bicara, bahkan untuk agent yang sebelumnya menyalakan push-to-talk sebelum berpindah style.
Push-to-talk mengharuskan user menahan sebuah tombol selama berbicara: mikrofon hanya mengalirkan audio selama tombol ditahan. Ini menjamin suara latar atau percakapan lain tidak pernah dianggap sebagai giliran bicara sungguhan, yang sangat berguna di lingkungan bising atau saat dibutuhkan privasi ekstra. Atlas membiarkannya mati, tetapi jika user Anda menelepon dari lokasi proyek yang ramai dengan mesin yang menyala, sebaiknya Anda menyalakannya.
Require hold-to-talk
Mati untuk agent baru. Saat menyala, tombol tahan-untuk-bicara ditampilkan di UI voice call, dan user bisa berpindah saat panggilan berlangsung antara tombol itu dan mode mendengarkan otomatis. Saat mati, panggilan selalu berjalan dalam mode otomatis: asisten mendengarkan terus-menerus, sehingga suara latar bisa tertangkap sebagai ucapan.
Start calls in
Hanya ditampilkan saat Require hold-to-talk menyala. Mode yang dipakai saat sesi voice dibuka:
| Nilai | Perilaku |
|---|---|
| Automatic | Server mendengarkan terus-menerus dan mendeteksi giliran dengan pengaturan Conversation flow di atas. |
| Hold-to-talk | User harus menahan tombol bicara agar terdengar; selain itu tidak ada audio yang dialirkan. |
Saat Anda menyalakan Require hold-to-talk, pengaturan ini otomatis berpindah ke Hold-to-talk; Anda bisa mengubahnya kembali ke Automatic sebelum menyimpan. User bisa berpindah kapan saja selama panggilan.
Periksa hasilnya
- Klik Save all changes.
- Mulai percakapan voice di preview (menu + di samping input chat).
- Tanyakan sesuatu yang diketahui agent Anda, misalnya "Who signs the permit for work above two metres?" untuk Atlas. Dengarkan suara dan speaking style yang Anda pilih. Untuk Turn-by-turn, coba berhenti sejenak di tengah kalimat dan bicara saat asisten sedang berbicara untuk melihat apakah giliran bicaranya terasa pas; sesuaikan Response speed, Noise filter, atau Stop assistant on interruption jika asisten memotong Anda atau mengabaikan Anda.
- Jika Anda menyalakan push-to-talk, pastikan tombol tahan-untuk-bicara muncul dan panggilan terbuka dalam mode yang Anda pilih.
Langkah berikutnya
- Layar Voice dan Konten di Layar: tentukan apa yang dilihat user selama panggilan.
- Pengaturan Natural Conversation: jika Anda memakai Natural conversation.
- Kembali ke Berbicara dengan Suara untuk conversation style dan billing.