语音与媒体理解

两项能力

Waslo 以两种截然不同的方式处理富媒体。把它们区分开来会有帮助：

• 入站理解——客户发送语音、照片或视频，AI 理解其内容，然后用文本回复。
• 语音回复（Growth）——AI 用语音作答，而不仅仅是文本。

第一项能力在所有主要渠道上都可用。第二项是 Growth 功能，目前在 WhatsApp 上发送语音回复。详情见下文。

入站媒体理解

客户并不总是打字。他们会录一段快速的语音、拍一张照片，或发一小段视频。Waslo 的 AI 是多模态的——它能看懂并听懂客户所发送的内容，并据此用文本作答。

已在以下渠道上线：

• WhatsApp
• Telegram
• Instagram
• Messenger

客户可以发送什么

媒体	示例用途
语音	用说的代替打字："这个有货吗？"
照片	"这是正确的配件吗？"/一张商品或型号的照片
视频	一段展示损坏报告或故障的短视频

真实场景：客户拍下一件商品并询问是否有货；有人发来一张预约现场的照片；客户用自己的语言录下一个语音问题；买家拍下一处缺陷用于保修索赔。AI 接收媒体并用文本回复，与打字消息一样扎根于你的知识库和商品目录。

回复仍为文本

对于入站媒体理解，在这四个渠道上回复均为文本。这是刻意为之——理解媒体和用语音回话是两项独立的功能（见下方的语音回复）。

语音回复（Growth）

在 Growth 方案下，你的 AI 可以用真正的语音作答——一段听起来自然的音频回复，使用客户的语言。

镜像规则

Waslo 绝不会用意料之外的语音让客户措手不及：

• 客户发来一段语音 → AI 用语音回复。
• 客户发来一条打字消息 → AI 用文本回复。

因此，只有当客户先选择了语音时，才会有语音输出。每条语音回复的文本副本也会被保存到对话中，方便你的团队阅读所说内容。

语音回复目前在哪些渠道可用

渠道	理解入站媒体	用语音回复
WhatsApp	是	是
Telegram	是	仅文本
Instagram	是	仅文本（API 无法发送音频）
Messenger	是	仅文本

语音回复目前在 WhatsApp 上发出。在 Telegram、Instagram 和 Messenger 上，AI 仍能理解入站的语音、照片和视频——只是目前用文本作答。Instagram 的 API 根本无法发送音频，因此那里无法进行语音回复。

启用语音回复

1. 处于 Growth 方案且订阅处于活跃状态。
2. 打开 AI Agent → Voice Replies。
3. 为你的组织打开语音回复开关。
4. 选择一个语音——按语言和性别选择，并在保存前试听。
5. 保存。此后，在 WhatsApp 上，语音输入会得到语音输出，遵循镜像规则。

积分

媒体的成本高于纯文本，因为它使用了多模态 AI：

• 文本回复是基准成本。
• 语音、图像和视频事件（理解入站媒体，或合成语音回复）每次事件的成本高于文本回复。

在 PAYG 上，这些从你的积分余额中扣除；在 Growth 上，消息已包含在内。当前费率请参见计费与方案。

诚实的局限

• 语音回复以 WhatsApp 优先。 Telegram 和 Messenger 目前能理解入站媒体但用文本回复；Instagram 根本无法发送音频。
• 阿拉伯语语音为现代标准阿拉伯语。 阿拉伯语语音回复使用 MSA（ar-XA）——目前没有地区方言的语音。
• 语音回复需要 Growth。 入站理解的适用范围更广，但语音回复需要活跃的 Growth 订阅，外加组织开关处于开启状态。
• 媒体有大小限制。 过大的文件可能无法处理。

常见问题

我的客户能发一段语音并得到语音回复吗？ 可以，在 WhatsApp 上启用语音回复（Growth）即可。镜像规则意味着语音输入会得到语音输出。在 Telegram、Instagram 和 Messenger 上，AI 能理解语音但用文本回复。

打字的客户会突然收到语音吗？ 不会。文本输入始终得到文本输出。只有当客户先发送了语音时，才会有语音输出。

语音回复使用什么语言？ 客户的语言。阿拉伯语使用现代标准阿拉伯语。

AI 能理解一张商品照片吗？ 可以——它是多模态的。它能对图像进行推理，并结合你的知识库和商品目录用文本作答。

媒体理解需要 Growth 吗？ 在受支持的渠道上，对语音、照片和视频的入站理解都是可用的。发送语音回复才是 Growth 功能。

语音回复有文字记录吗？ 有。每条语音回复的文本副本都会被保存到对话中。

后续步骤

• AI 代理配置 — 设置语音回复和商品目录
• 知识库（RAG） — 让每条回复扎根于你自己的内容
• 计费与方案 — 积分、积分包与 Growth 方案