Поколения гласов AI
Повечето автоматизирани телефонни разговори са ужасни. Новата технология променя това.
Старият проблем не беше, че телефонната автоматизация нямаше приятен глас. Липсваше ѝ достатъчно разбиране, за да поддържа истински разговор.
Автоматизирането на телефонен разговор става по-лесно
Всяко поколение прехвърля повече контекст към системата.
Телефонни дървета
Ерата на IVR
Обаждащият се трябваше да говори като машина.
Автоматизацията означаваше менюта, разклонения чрез клавиатурата и опашки. Работеше, когато обаждащият се вече знаеше правилния път.
Неудобен момент
Намерението се свежда до натискане на бутон, така че всичко извън менюто води до прехвърляне или повторение.
Примерен разговор
Ерата на IVR
Обаждащ се
"Трябва да преместя утрешния си час."
Система
"За плащания натиснете 1. За записване на час натиснете 2. За всички други въпроси натиснете 9."
Резултат
Обаждащият се гадае, чака и обяснява същото отново.
Как мисли системата
3 етапаМеню с опции
поправеноФиксиран сценарий изброява опциите.
DTMF разклонение
нестабилноЕдин бутон се превръща в цялото намерение.
Опашка
прекъсванияИстинският контекст идва с човек.
Персонализирани модели
Ранен ИИ
Системите разбираха тесни сценарии, после се разпадаха.
Екипите обучаваха акустични модели, класификатори на намерения и извличащи модули за полета за конкретни сценарии на обаждания. Полезно, но скъпо за промяна.
Неудобен момент
Системата може да разпознае едно обучено намерение, след което да пропусне втората заявка или да зададе твърде строго уточняващ въпрос.
Примерен разговор
Ранен ИИ
Обаждащ се
"Можете ли да преместите утрешния час и да добавите съпруга ми?"
Система
"Мога да помогна с пренасрочването. Коя дата бихте желали?"
Резултат
Детайлът за съпруга се губи, защото не е в обучения сценарий.
Как мисли системата
3 етапаПерсонализирано ASR
поправеноНастроено за конкретна област и комбинация от акценти.
Модел за намерения
нестабилноКласифицира най-близката позната заявка.
Попълване на полета
прекъсванияЛипсващите полета задействат предварително зададена корекция.
Стекове в стила на Vapi / Retell / ElevenLabs
3-стъпкови процеси
Стекът стана гъвкав, но всяка стъпка се доверява на предишната.
Често срещан съвременен модел свързва реч към текст, LLM и текст към реч в един цикъл на разговора.
Неудобен момент
Когато транскрипцията е грешна или обаждащият се прекъсне, LLM уверено отговаря на грешно разбраното обаждане.
Примерен разговор
3-стъпкови процеси
Обаждащ се
"Не, живея тук под наем."
Система
"Разбрах, това е имот тип ранчо. Така ли е?"
Резултат
Една грешка при разпознаването се превръща в изречена грешка.
Как мисли системата
3 етапаРеч към текст
прекъсванияЕдна транскрипция става единственият източник на истина.
LLM
нестабилноГенерира от текст, а не от оригиналното аудио.
Текст към реч
прекъсванияИзрича отговора уверено.
Интегриран гласов AI
ThunderPhone
Системата може да чува, разсъждава и се възстановява в един цикъл.
ThunderPhone координира разбирането на аудио, маршрутизирането на модели, редуването на репликите и генерирането на отговори като една архитектура.
Какво се променя
Множество пътища за разпознаване и разсъждение, отчитащо аудиото, намаляват грешките в отделните стъпки, преди да достигнат до обаждащия се.
Примерен разговор
ThunderPhone
Обаждащ се
"Не, живея тук под наем."
Система
"Разбрах. Вие наемате дома си, затова ще пропусна въпросите за собствеността."
Резултат
Разговорът продължава, без обаждащият се да се бори със системата.
Как мисли системата
4 етапаАудиопоток
проверкиНеобработеното аудио остава достъпно за разсъждение.
Паралелно разпознаване
проверкиСигналите се сравняват преди действие.
Маршрутизиране на модели
проверкиБързите и по-задълбочените пътища работят съвместно при всяка реплика.
Естествен отговор
проверкиОбаждащият се чува коригирания контекст.
Какво означава това на практика
Пробивът не е по-приятен роботизиран глас. Той е архитектура, която държи разговора в правилната посока.
По-добро разпознаване
Системата може да сравнява сигнали и да анализира аудиото, вместо да се доверява на един транскрипт.
По-добър ритъм
Редуването на репликите и обработката на прекъсвания са част от цикъла на разговора.
По-добро насочване
Бързи пътища и по-задълбочено разсъждение могат да се избират според нуждите на всяка реплика.
По-добро изживяване
Обаждащите се отделят по-малко време да поправят автоматизацията и повече време да изпълнят задачата.