结论先说：能等、要看记录的问题走 AI 文字客服；不方便打字、需要即时安抚的问题走语音客服。两者是互补关系，选型要回到三个判据——是否需要留痕、并发量有多大、用户是什么群体。判据想清楚了，配比自然出来；判据没想清楚，先上哪种形态都会返工。
三个判据决定形态
判据一是留痕。涉及订单、金额、操作步骤的咨询，文字有记录可追溯，争议发生时能回查，也便于在回复里直接插入链接、图片和操作指引；语音说完就散，事后复盘要先转写。判据二是并发。一个文字客服（包括 AI 接入）能同时接待几十路会话，语音基本是一对一，占用一条线路和一份人力，并发能力差一个量级。判据三是用户群体。老年用户和不方便打字的场景，语音门槛低，还能从语气里听出情绪变化；年轻用户默认接受文字，甚至更愿意先翻自助文档。
成本维度：并发差一个量级，账完全不同
成本估算建议按「同时在线会话数」来算。文字客服单路成本低，因为会话可以排队、可以批量处理；语音每一路都要独占资源，无论是人工坐席还是语音识别加语音合成的算力。日均咨询量一大，语音占比每提高一成，整体成本上升都很明显。所以一个可以直接带走的判断是：高频标准问题（查订单、查物流、改地址）全部走文字，语音只留给高价值场景。
语音还有一笔隐性成本：录音整理、转写、归档。转写工具能降低这部分工作量，但准确率受口音和环境噪音影响，嘈杂环境下的识别差异在AI 录音转写对比里有更细的实测，选语音方案前值得先看。
两类形态的搭配还受人力结构影响。纯 AI 文字客服可以全天候在线，夜间和高峰期不额外增加人力；语音一旦想覆盖夜间时段，要么安排值班，要么接入语音机器人，投入都会上一个台阶。所以动手前先拉一周的咨询记录做分拣：统计问题类型分布和时段分布。白天高峰集中在标准问题的，文字方案能吃下绝大部分；夜间咨询和情绪类占比高的，才需要认真考虑语音入口的排班与投入。粗算方法也简单：把会话按「标准 / 复杂」分两类，标准类全走文字，成本测算只需要对复杂类展开。
分层转接：文字为主、语音兜底
推荐的入口设计是默认文字，出现三类信号时提供语音选项：同一问题文字沟通三轮仍未解决、用户消息里情绪词密集、用户明确要求通话。这套设计有一条自检标准：转语音的会话占比应控制在两成以内。如果超过一半的会话都在转语音，说明文字侧的答案库有问题，先修入口内容再谈配比，否则加再多语音坐席也只是把成本问题往后挪。
落地时可以先小范围试运行两周：文字入口全量开放，语音入口只对投诉和紧急类目开放，运行数据出来后再决定要不要扩大语音覆盖。配比没有通用答案，它是随答案库质量动态变化的数字，每月回看一次即可。
| 判断维度 | 倾向文字客服 | 倾向语音客服 |
|---|---|---|
| 用户群体 | 年轻用户为主，习惯打字与自助查询 | 老年用户多，或不方便看屏幕的场景 |
| 问题类型 | 查订单、改信息、需要图文指引 | 情绪安抚、紧急投诉、复杂情况描述 |
| 记录要求 | 需要留痕，事后可追溯核对 | 当场解决为主，事后少有争议 |
| 成本约束 | 日均量大，预算需要精算 | 日均量小，单客价值高值得一对一 |
两类形态都接不住的问题
涉及资金安全、身份核实、纠纷处理的咨询，两类 AI 客服都只能做初步受理和记录，最终要转给有权限的人工，这条边界要在流程里固定下来。另外，方言重、噪音大的电话环境会让语音识别错误率明显上升，这时强行用语音反而拖慢处理节奏。选型这件事的思路也不只用于客服：云端服务和本地部署的体验差异（网页版和本地部署对比）、小团队起步时的低门槛工具组合（宝妈副业的 AI 起步组合），背后的判断逻辑都一样——先算清自己的场景约束，再做取舍。
客服形态选型速查
- 三个判据先过：留痕、并发、用户群体
- 高频标准问题走文字，语音留给高价值场景
- 转语音占比超一半，先修文字侧答案库
- 资金、身份类咨询一律转人工，AI 只做受理
