वॉइस एजेंट जवाब देने से पहले होने वाले ठहराव पर ही टिके होते हैं। सिंथेसिस लगभग 200 मिलीसेकंड में शुरू हो जाता है और वास्तविक समय से 3.3 गुना तेजी से चलता है, जिससे बजट वहीं बचता है जहां आमतौर पर इसकी जरूरत होती है: आपके मॉडल पर।

आईवीआर (IVR) प्रॉम्प्ट एक बार लिखे जाते हैं और हजारों बार सुने जाते हैं, इसलिए इन्हें सही ढंग से तैयार करना बेहद जरूरी होता है और दोबारा रिकॉर्ड करना काफी महंगा पड़ता है। इन्हें बनाने में लगभग एक सेकंड का समय लगता है और इनमें सुधार करने में कोई खर्च नहीं आता।

वेब चैट असामान्य है क्योंकि विज़िटर एक ही समय में पढ़ता और सुनता है। ये आवाज़ें इत्मीनान से बोलने के लिए उपयुक्त हैं, वेबसॉकेट (WebSocket) पर लगभग 200 मिलीसेकंड में चलना शुरू हो जाती हैं, और एक ही एकीकरण (integration) से बारह भाषाओं को कवर करती हैं।

भारतीय ग्राहकों के सामने काम करने के लिए निर्णायक कारक टोन नहीं बल्कि भाषा है। ये आवाजें वाक्य के बीच में हिंदी और अंग्रेजी के बीच बदलती रहती हैं, जो अकेले किसी भी एक भाषा की तुलना में काफी अधिक प्राकृतिक लगती हैं।

शांति आवाज़ से ज़्यादा गति से आती है। गति घटकर 0.5 तक आ जाती है, और ठहराव किसी पैरामीटर के बजाय विराम चिह्नों से आते हैं, इसलिए स्क्रिप्ट उतना ही काम करती है जितना कि कास्टिंग।

एक सौ चार आवाजों में भारतीय लहजा है, जो किसी भी अन्य समूह से दोगुने से भी अधिक है। वे बिना अपना स्वर बदले देवनागरी वाक्यों के भीतर अंग्रेजी शब्दों का प्रयोग करते हैं, जो कि वास्तव में भारतीय अंग्रेजी बोलने का सही तरीका है।