(1)用戶(語音) -大于語音識別：電話機器人不能識別語音，第一步驟是將用戶發(fā)出的語音轉(zhuǎn)換為字符，該步驟需要依賴于語音識別技術(shù)。 僅僅是語音識別，是一種復(fù)雜且需要持續(xù)投入的技術(shù)，因此電話機器人的制造商很多，使用這些大制造商的語音識別技術(shù)。

（2）語音識別–（文本）–>自然語言理解：此時，用戶說的話已經(jīng)通過語音識別轉(zhuǎn)換成了文字，而電話機器人拿到文字后，需要利用自然語言理解，來識別用戶的意圖，通俗的來說就是理解用戶在講什么。

（3）語言識別–（意圖）–>對話管理：這時候，機器人已經(jīng)識別了用戶的意圖，下面電話機器人就需要決定改如何回復(fù)用戶的問題了。比如說是繼續(xù)按照正常對話流程往下走，還是需要先回答用戶的疑問？抑或者需要重新把剛才說的話再說一遍？

（4）對話管理–（觸發(fā)）–>預(yù)置話術(shù)：此時的機器人已經(jīng)知道該回復(fù)用戶的具體內(nèi)容了，這時候就該組織回復(fù)的語言了。而一般來說，這些話術(shù)都是預(yù)先設(shè)置好的，等需要用到這塊內(nèi)容的時候，從這塊內(nèi)容對應(yīng)的話術(shù)中抽取一條出來回復(fù)就好。在回答同一個話題時，話術(shù)不重復(fù)，給用戶更好的體驗。

(5)事先講話- (調(diào)用) -大于人工錄音：當(dāng)然，如果知道機器人需要回答哪個講話，就必須調(diào)用與這個講話對應(yīng)的錄音。 結(jié)果，我們在打電話。 此時，為了使?fàn)I銷效果更好，大多數(shù)客戶都選擇播放真人錄音。 結(jié)果，這個效果更真實。 正因為如此，人工錄音的效果，很大程度上左右著前端用戶接電話時的體驗。