(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出的語音轉換為字符，該步驟需要依賴于語音識別技術。 僅僅是語音識別，是一種復雜且需要持續投入的技術，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。

（2）語音識別–（文本）–>自然語言理解：此時，用戶說的話已經通過語音識別轉換成了文字，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用戶的問題了。比如說是繼續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）–>預置話術：此時的機器人已經知道該回復用戶的具體內容了，這時候就該組織回復的語言了。而一般來說，這些話術都是預先設置好的，等需要用到這塊內容的時候，從這塊內容對應的話術中抽取一條出來回復就好。在回答同一個話題時，話術不重復，給用戶更好的體驗。

(5)事先講話- (調用) -大于人工錄音：當然，如果知道機器人需要回答哪個講話，就必須調用與這個講話對應的錄音。 結果，我們在打電話。 此時，為了使營銷效果更好，大多數客戶都選擇播放真人錄音。 結果，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。