(1)用户(语音) -大于语音识别：电话机器人不能识别语音，第一步骤是将用户发出的语音转换为字符，该步骤需要依赖于语音识别技术。 仅仅是语音识别，是一种复杂且需要持续投入的技术，因此电话机器人的制造商很多，使用这些大制造商的语音识别技术。
（2）语音识别–（文本）–>自然语言理解：此时，用户说的话已经通过语音识别转换成了文字，而电话机器人拿到文字后，需要利用自然语言理解，来识别用户的意图，通俗的来说就是理解用户在讲什么。
（3）语言识别–（意图）–>对话管理：这时候，机器人已经识别了用户的意图，下面电话机器人就需要决定改如何回复用户的问题了。比如说是继续按照正常对话流程往下走，还是需要先回答用户的疑问？抑或者需要重新把刚才说的话再说一遍？
（4）对话管理–（触发）–>预置话术：此时的机器人已经知道该回复用户的具体内容了，这时候就该组织回复的语言了。而一般来说，这些话术都是预先设置好的，等需要用到这块内容的时候，从这块内容对应的话术中抽取一条出来回复就好。在回答同一个话题时，话术不重复，给用户更好的体验。
(5)事先讲话- (调用) -大于人工录音：当然，如果知道机器人需要回答哪个讲话，就必须调用与这个讲话对应的录音。 结果，我们在打电话。 此时，为了使营销效果更好，大多数客户都选择播放真人录音。 结果，这个效果更真实。 正因为如此，人工录音的效果，很大程度上左右着前端用户接电话时的体验。
