語音與媒體理解
你的 AI 智能體能理解傳入的語音訊息、照片與影片——在 WhatsApp 上還能以語音訊息回覆。
兩項能力
Waslo 以兩種不同的方式處理豐富媒體。把它們分開看會有幫助：
- 傳入理解：客戶傳送語音訊息、照片或影片，AI 加以理解，然後以文字回覆。
- 語音回覆（Growth）：AI 以口說語音訊息作答，而不只是文字。
第一項在所有主要管道上都可運作。第二項是 Growth 功能，目前在 WhatsApp 上發送口說回覆。詳情如下。
傳入媒體理解
客戶不見得都會打字。他們可能錄一段快速語音、拍一張照片，或傳一小段影片。Waslo 的 AI 是多模態的——它能觀看並聆聽客戶傳來的內容，並據此以文字作答。
已上線於：
- Telegram
- Messenger
客戶可以傳送什麼
| 媒體 | 使用範例 |
|---|---|
| 語音訊息 | 用說的而非打字問「這個有現貨嗎？」 |
| 照片 | 「這是正確的零件嗎？」／產品或型號的照片 |
| 影片 | 展示損壞情形或故障的一小段影片 |
實際用途：客戶拍下產品並詢問是否有貨；有人傳來預約時的照片；客戶用自己的語言錄下一個語音問題；買家為保固索賠拍下瑕疵。AI 接收媒體並以文字回覆，內容如同打字訊息一樣以你的知識庫與型錄為依據。
回覆維持文字
對於傳入媒體理解，四個管道上的回覆都是文字。這是刻意設計的——理解媒體與開口回話是兩項各自獨立的功能（見下方的語音回覆）。
語音回覆（Growth）
在 Growth 方案上，你的 AI 能以真正的口說語音訊息作答——一則自然的語音回覆，並使用客戶的語言。
鏡像規則
Waslo 絕不會用出乎意料的語音訊息讓客戶感到意外：
- 客戶傳來語音訊息 → AI 以語音訊息回覆。
- 客戶傳來打字訊息 → AI 以文字回覆。
因此，唯有當客戶率先選擇語音時，才會有語音輸出。每則口說回覆也會有一份文字副本存進對話，讓你的團隊能讀到說了什麼。
語音回覆目前在哪些管道有效
| 管道 | 理解傳入媒體 | 以語音回覆 |
|---|---|---|
| 支援 | 支援 | |
| Telegram | 支援 | 僅文字 |
| 支援 | 僅文字（API 無法傳送音訊） | |
| Messenger | 支援 | 僅文字 |
口說回覆目前在 WhatsApp 上發出。在 Telegram、Instagram 與 Messenger 上，AI 仍能理解傳入的語音、照片與影片——只是目前以文字作答。Instagram 的 API 完全無法傳送音訊，因此那裡無法使用語音回覆。
啟用語音回覆
- 使用 Growth 方案並具備有效訂閱。
- 開啟 AI Agent → Voice Replies。
- 為你的組織開啟語音回覆的切換開關。
- 挑選一個語音——依語言與性別選擇，並在儲存前試聽。
- 儲存。從此之後，在 WhatsApp 上語音進即語音出，遵循鏡像規則。
點數
媒體的費用高於純文字，因為它使用多模態 AI：
- 文字回覆是基準費用。
- 語音、影像與影片事件（理解傳入媒體，或合成一則口說回覆）每次事件的費用高於文字回覆。
在 PAYG 上，這些從你的點數餘額扣除；在 Growth 上，訊息已包含在內。當前費率請見帳單與方案。
誠實的限制
- **語音回覆以 WhatsApp 為先。**Telegram 與 Messenger 能理解傳入媒體，但目前以文字回覆；Instagram 完全無法傳送音訊。
- **阿拉伯語語音為現代標準阿拉伯語。**口說的阿拉伯語回覆使用 MSA（
ar-XA）——目前沒有地區方言語音。 - **語音回覆需要 Growth。**傳入理解的涵蓋範圍較廣，但口說回覆需要有效的 Growth 訂閱，再加上組織的切換開關已開啟。
- **媒體有大小限制。**非常大的檔案可能無法處理。
常見問題
我的客戶可以傳一則語音訊息並得到口說回覆嗎？ 可以，在啟用了語音回覆（Growth）的 WhatsApp 上。鏡像規則表示語音進就會語音出。在 Telegram、Instagram 與 Messenger 上，AI 能理解語音訊息，但以文字回覆。
打字的客戶會突然收到語音訊息嗎？ 不會。文字進永遠文字出。唯有當客戶率先傳送語音時，才會有語音輸出。
語音回覆使用什麼語言？ 客戶的語言。阿拉伯語使用現代標準阿拉伯語。
AI 能理解產品的照片嗎？ 可以——它是多模態的。它能對影像進行推理，並使用你的知識庫與型錄以文字作答。
媒體理解需要 Growth 嗎？ 在支援的管道上，可使用對語音、照片與影片的傳入理解。發送口說語音回覆才是 Growth 功能。
口說回覆有文字紀錄嗎？ 有。每則語音回覆都會有一份文字副本存進對話。