Dina supportdokument är “korrekta”… men kunderna ringer ändå, ställer samma frågor och får lite olika svar beroende på vem som svarar. Sedan slösar teamet tid på att leta i Google Docs, omformulera och hoppas att de inte missade någon detalj.
Den här ElevenLabs-automationen träffar supportansvariga först, eftersom de ser återkommande ärenden. Men grundare känner också av det när churn dyker upp i återbetalningsärenden. Och byråteam som driver support åt kunder? Samma kaos, bara med fler flikar.
Det här flödet gör om din kunskap i Google Docs till en röstförst-assistent som svarar snabbt, håller en konsekvent linje och bara använder det du har godkänt. Du får se hur delarna hänger ihop, vad du behöver och var team oftast snubblar.
Så fungerar automatiseringen
Hela n8n-flödet, från trigger till slutligt resultat:
n8n Workflow Template: ElevenLabs + Google Docs: röstsupport svarar snabbt
flowchart LR
subgraph sg0["Basic LLM Chain Flow"]
direction LR
n0@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "Basic LLM Chain", pos: "b", h: 48 }
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Search Embeddings"]
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Embend User Message"]
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Webhook"]
n5["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/webhook.dark.svg' width='40' height='40' /></div><br/>Respond to Webhook"]
n11@{ icon: "mdi:brain", form: "rounded", label: "Google Vertex Chat Model", pos: "b", h: 48 }
n4 --> n3
n0 --> n1
n1 --> n5
n2 --> n0
n3 --> n2
n11 -.-> n1
end
subgraph sg1["When clicking ‘Execute workflow’ Flow"]
direction LR
n6@{ icon: "mdi:cog", form: "rounded", label: "Content for the Training", pos: "b", h: 48 }
n7["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Splitting into Chunks"]
n8["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Embedding Uploaded document"]
n9["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/supabase.svg' width='40' height='40' /></div><br/>Save the embedding in DB"]
n10@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Execute workf..", pos: "b", h: 48 }
n7 --> n8
n6 --> n7
n8 --> n9
n10 --> n6
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n10 trigger
class n1 ai
class n11 aiModel
class n2,n3,n4,n5,n8 api
class n7 code
classDef customIcon fill:none,stroke:none
class n2,n3,n4,n5,n7,n8,n9 customIcon
Problemet: röstsupport är snabb, men träffsäkerheten faller isär
Kunder gillar röst eftersom det känns direkt. Ditt team ogillar röst eftersom det är rörigt: frågor kommer in ostrukturerat, folk avbryter och “snabba svar” blir till halvt ihågkomna gissningar. Även om du har dokumenterat allt i Google Docs har ingen tid att söka, skumma och pussla ihop rätt svar medan en kund väntar. Så agenter improviserar, du får inkonsekventa svar och samma grundfrågor kommer tillbaka som följdfrågor. Ärligt talat är det inget kompetensproblem. Det är ett problem med att hitta rätt information.
Friktionen ökar när volymen stiger. Här är var det fallerar.
- Agenter lägger cirka 10 minuter per samtal på att hoppa mellan dokument, ärendehistorik och interna anteckningar.
- Två personer svarar olika på “samma” fråga, vilket skapar förtroendeproblem och återkommande kontakter.
- Uppdateringar i dokumenten förändrar inte pålitligt vad kunderna hör, eftersom svaret fortfarande bygger på minne.
- Eskaleringsärenden ökar när det säkra svaret hade funnits i dokumentet om någon bara hittat det i tid.
Lösningen: en rösttriggad assistent förankrad i dina Google Docs
Det här flödet ger dig ett röstsupportlager där kunden pratar, systemet söker i din godkända kunskap och svaret kommer tillbaka direkt i naturligt språk. ElevenLabs fungerar som den konverserande front-end:en och anropar en n8n-webhook när uppringaren har pratat klart. n8n gör om den talade frågan till en “embedding” (ett numeriskt fingeravtryck av betydelse), hittar de mest närliggande textblocken i din kunskapsbas och ber sedan en AI-modell att svara enbart med hjälp av den hämtade texten. Svaret skickas tillbaka till ElevenLabs via webhook-svaret, så kunden får det uppläst utan att ditt team behöver göra det manuella letandet.
Flödet startar i en ElevenLabs-webhook. Sedan kodar n8n frågan, kör en semantisk sökning (de fem mest relevanta blocken), slår ihop kontexten och genererar ett förankrat svar med Google Vertex Gemini 2.5 Flash. Till sist svarar det direkt så att röstagenten kan läsa upp det.
Det du får: automatisering vs. resultat
| Vad det här flödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att ditt team hanterar cirka 20 röstsupport-samtal per dag, och att även “enkla” frågor tar ungefär 10 minuter av dokumentsök och återförklaring. Det är runt 3 timmar per dag som går åt till att hitta information, inte till support. Med det här flödet pratar kunden, n8n gör sökningen och skapar svaret, och röstassistenten svarar på under en minut i de flesta fall. Ni granskar fortfarande edge cases, men det dagliga slitjobbet krymper snabbt.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- ElevenLabs för att ta emot röst och läsa upp svar
- Google Docs för att lagra din kunskapskälla för support
- Supabase API-nyckel (hämta den i Supabase-projektinställningarna)
Svårighetsnivå: Mellan. Du kopplar konton, klistrar in API-nycklar och behöver vara bekväm med att redigera ett litet kodblock för att dela upp text i chunkar.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En kund pratar klart i ElevenLabs. ElevenLabs skickar en webhook-förfrågan till n8n (payloaden innehåller användarens frågetext), vilket startar hela kedjan.
Frågan kodas för semantisk sökning. n8n anropar en embedding-endpoint (Together API med modellen BAAI/bge-large-en-v1.5 i det här flödet) så att frågan blir sökbar på betydelse, inte bara nyckelord.
Din kunskapsbas söks igenom och packas till kontext. n8n anropar en Supabase RPC-funktion (matchembeddings1) för att hämta de fem mest relevanta textblocken och aggregerar sedan blocken till ett enda strukturerat kontextblock.
Svaret genereras och returneras direkt. En LangChain-prompt tvingar modellen att bara svara utifrån den hämtade kontexten, och Google Vertex Gemini 2.5 Flash skriver ett svar som låter mänskligt. n8n svarar på den ursprungliga webhooken så att ElevenLabs kan läsa upp det.
Du kan enkelt ändra kunskapskällan (Google Docs) till en Drive-mapp eller flera dokument baserat på dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera webhook-triggern
Det här arbetsflödet startar från en offentlig webhook som tar emot användarfrågor för embedding-sökning och generering av svar.
- Lägg till noden Incoming Webhook Trigger och behåll standardinställningarna om ni inte behöver anpassade sökvägar.
- Kopiera webhook-URL:en från Incoming Webhook Trigger och använd den i er externa app eller ert formulär som skickar användarinput.
- Koppla Incoming Webhook Trigger till Encode User Input för att matcha körflödet.
Steg 2: Anslut källan för träningsinnehåll
Den här grenen läser in träningsinnehåll, delar upp det i block och förbereder det för lagring av embeddings.
- Lägg till noden Manual Execution Start så att ni kan köra inläsningen av träningen vid behov.
- Lägg till Training Content Source och koppla den efter Manual Execution Start.
- Inloggningsuppgifter krävs: Anslut era Google Docs-inloggningsuppgifter i Training Content Source.
- Koppla Training Content Source till Segment into Blocks för att förbereda innehållsbitar för embedding.
Steg 3: Förbered embedding-sökningar och aggregering
Den här vägen kodar användarinput, hämtar liknande embeddings och slår ihop poster för LLM-prompten.
- Lägg till Encode User Input och konfigurera den för att skicka den råa webhook-payloaden till er endpoint för embedding-kodning.
- Lägg till Lookup Embeddings och koppla den efter Encode User Input för att fråga er vektordatabas eller sök-endpoint.
- Lägg till Combine Records och koppla den efter Lookup Embeddings för att aggregera resultaten till LLM:en.
Steg 4: Sätt upp pipelinen för LLM-svar
Det här steget matar in aggregerad kontext i LLM:en och returnerar svaret till den som anropade webhooken.
- Lägg till noden Core LLM Pipeline och koppla den efter Combine Records.
- Koppla Vertex Chat Model som språkmodell för Core LLM Pipeline (AI-anslutning).
- Inloggningsuppgifter krävs: Anslut era Google Vertex AI-inloggningsuppgifter i Vertex Chat Model. Det är här LLM-inloggningsuppgifterna måste läggas till.
- Koppla Core LLM Pipeline till Return Webhook Reply så att svaret skickas tillbaka till webhook-anroparen.
Steg 5: Lagra tränings-embeddings i databasen
Den här grenen skapar embeddings från block med träningsinnehåll och lagrar dem för framtida sökningar.
- Lägg till Embed Uploaded File och koppla den efter Segment into Blocks för att generera embeddings för varje block.
- Lägg till Store Embedding in DB och koppla den efter Embed Uploaded File för att infoga embeddings i Supabase.
- Inloggningsuppgifter krävs: Anslut era Supabase-inloggningsuppgifter i Store Embedding in DB.
Steg 6: Testa och aktivera ert arbetsflöde
Kör både tränings- och frågevägarna för att validera beteendet från början till slut.
- Klicka på Execute Workflow från Manual Execution Start för att läsa in träningsinnehåll och bekräfta att poster visas i Supabase.
- Skicka en test-payload till URL:en för Incoming Webhook Trigger och verifiera att Return Webhook Reply returnerar ett svar.
- En lyckad körning bör visa data som flödar genom Encode User Input → Lookup Embeddings → Combine Records → Core LLM Pipeline → Return Webhook Reply.
- Växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- Google Docs-autentisering kan löpa ut eller kräva specifika behörigheter. Om något skapar fel, kontrollera Google-anslutningen i n8n:s panel för autentiseringsuppgifter först.
- Supabase RPC-anrop misslyckas tyst när funktionsnamn eller parametrar inte matchar. Om “Lookup Embeddings” inte returnerar något, verifiera matchembeddings1 i din Supabase SQL-editor och bekräfta dina kolumnnamn i tabellen.
- ElevenLabs webhook-payloadar varierar mellan agentkonfigurationer. Om ditt fält “user_question” är tomt, granska senaste webhook-exekveringen i n8n och mappa den exakta inkommande JSON-sökvägen.
Vanliga frågor
Cirka 60 minuter om din Supabase-tabell och dina nycklar är klara.
Nej. Du kommer främst att koppla konton och klistra in API-nycklar. Den enda “koden” är ett litet steg för att dela upp text i chunkar, och du kan återanvända det precis som det är.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna med användningskostnader för ElevenLabs, Google Vertex (Gemini) och ditt embedding-API.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärt och klarar n8n bra. Egen drift ger obegränsat antal körningar men kräver grundläggande serverhantering.
Ja, och det är en smart ändring. Du kan hämta flera dokument genom att duplicera noden “Training Content Source (Google Docs)”, eller byta till Google Drive och iterera igenom en mapp, och sedan skicka allt genom “Segment into Blocks” före “Embed Uploaded File.” Vanliga anpassningar är en kunskapsbas per produkt, ett separat dokument för policyundantag och en “mänsklig överlämning”-väg via Telegram när konfidensen är låg.
Oftast är det en webhook-mismatch. Bekräfta att ElevenLabs anropar exakt webhook-URL:en från din “Incoming Webhook Trigger”, och kontrollera sedan senaste körningen för att se om payloaden innehåller fältet du mappade som frågan. Om webhooken triggar men du får tystnad tillbaka ligger problemet ofta längre fram i kedjan (Supabase returnerar inga block, eller LLM-anropet misslyckas), så verifiera att noden “Return Webhook Reply” fortfarande får ett färdigt svar.
Det beror på din n8n-plan och API-gränser, men de flesta små team kan hantera några hundra samtal per dag så länge Supabase och LLM-endpoints inte är rate-limiterade.
Ofta, ja, eftersom det här inte är en enkel automatisering av typen “skicka data från A till B”. Du gör semantisk sökning, kontextaggregering och ett kontrollerat AI-svar, vilket är den typ av grenlogik som n8n hanterar snyggt utan att det blir en prissättningsmardröm. Egen drift spelar också roll om samtalsvolymen sticker iväg. Zapier och Make kan fortfarande fungera för grundläggande supportflöden, men för röst + RAG blir de snabbt klumpiga. Prata med en automationsexpert om du vill ha en snabb rekommendation för din stack.
När det här väl rullar slutar dina dokument vara “bra att ha” och börjar göra verkligt jobb i varje enda samtal. Sätt upp det en gång, håll kunskapen uppdaterad och låt flödet hantera återkommande frågor.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.