Spark
~3s
প্রথম প্রতিক্রিয়া পর্যন্ত
প্রযুক্তি
3-ধাপের পাইপলাইনের বাইরে যান।
বেশিরভাগ ভয়েস AI প্ল্যাটফর্ম 3-ধাপের পাইপলাইনের ওপর নির্ভর করে: একটি ট্রান্সক্রিপশন মডেল, একটি চিন্তা করতে না-পারা LLM, একটি টেক্সট-টু-স্পিচ ইঞ্জিন। প্রতিটি ধাপই ব্যর্থতার একটি একক বিন্দু। ThunderPhone একসঙ্গে অনেক মডেল সমন্বয় করে ভুল কমায়।
কলার বলেছেন “I rent.”
ASR A“I rent”
ASR B“I’m Brent”
অডিও LLM“I rent”
মিলিয়ে নেওয়া হয়েছে “I rent” 3টির মধ্যে 2টি পথ একমত
সমন্বিত আর্কিটেকচার
বিভিন্নভাবে শোনে, তারপর মিলিয়ে নেয়।
ThunderPhone একসঙ্গে অনেক মডেল অর্কেস্ট্রেট করে, যাতে তারা একে অপরের ভুল সংশোধন করতে পারে।
অন্যান্য প্ল্যাটফর্ম · 3-ধাপের পাইপলাইন
প্রতিটি ধাপ আগের ধাপকে বিশ্বাস করে।
কলারের অডিও
“I rent.” · অস্পষ্টভাবে বলা
STT A
“I’m Brent”
STT B
—
অডিও LLM
—
একক মডেল ভুল শুনলে কোনো বিকল্প নেই
LLM
একটি দ্রুত মডেল শুধু ট্রান্সক্রিপ্টটি দেখে।
→ উত্তর দেয় “Hi, Brent — how can I help?”
দ্রুত LLM নির্দেশনা অনুসরণে ভুল করে
TTS
উত্তরটি বলে শোনানো হয়।
→ বলে “Hi, Brent — how can I help?” ✗
1টি ট্রান্সক্রিপ্ট + 1টি LLM = ভুল উত্তর
ThunderPhone · অর্কেস্ট্রেটেড
অনেক পথ, একটি সমন্বিত উত্তর।
কলারের অডিও
“I rent.” · অস্পষ্টভাবে বলা
STT A
“I rent”
STT B
“I’m Brent”
অডিও LLM
“I rent”
প্রমাণ হিসেবে তিনটি ট্রান্সক্রিপ্ট + কাঁচা অডিও সংরক্ষিত
রিজনিং স্তর
দ্রুত + থিঙ্কিং LLM টেক্সট ও অডিও প্রমাণ বিবেচনা করে।
→ 3টির মধ্যে 2টি পথ একমত: “I rent”
উত্তর দেওয়ার আগে থিঙ্কিং + দ্রুত LLM পরস্পর যাচাই করে
TTS
নির্বাচিত ভয়েস বানান ও আলফানিউমেরিকের ক্ষেত্রে হ্যালুসিনেশন কমায়।
→ “বুঝেছি — তাহলে আপনি ভাড়ায় থাকেন।” ✓
প্রথমবারেই জটিল তথ্য সঠিকভাবে বোঝে।
পারফরম্যান্সের প্রমাণ
Storm Big Bench Audio-তে বুদ্ধিমত্তার রেকর্ড গড়ে।
BBA পরীক্ষা করে কোনো মডেল কথ্য prompt বুঝতে পারে কি না এবং কঠিন প্রশ্নের সঠিক উত্তর দিতে পারে কি না। আমাদের সবচেয়ে শক্তিশালী Storm কনফিগারেশন আমাদের পাবলিক মূল্যায়ন সেটে 99.4% অর্জন করেছে — 0.6% ভুল, যা পরবর্তী সেরা পাবলিক স্কোরের চেয়ে 4× কম।
মডেল
ভুলের হার↓ কম হলে ভালো
স্কোর
ThunderPhone Storm · Extra Intelligence4× কম ভুল
0.6%
Step-Audio R1.1
2.4%
Grok Voice Think Fast
2.9%
Ultravox v0.7 Thinking
3.0%
GPT-Realtime-2 High
3.4%
Gemini 3.1 Flash Live High
3.4%
ভুলের হার হলো BBA সাফল্যের হার থেকে 100% বাদ দিলে যা থাকে। ThunderPhone-এর ফলাফল আমাদের উপরে লিঙ্ক করা পাবলিক মূল্যায়ন ডেটাসেট থেকে এসেছে; অন্যান্য পাবলিক স্কোর (Artificial Analysis লিডারবোর্ড) প্রাসঙ্গিক তুলনার জন্য তালিকাভুক্ত করা হয়েছে। BBA ফোন কলের পারফরম্যান্স পুরোপুরি তুলে ধরে না, তবে কথ্য prompt নিয়ে রিজনিং মূল্যায়নের জন্য এটি একটি উপযোগী সংকেত।
সুস্পষ্ট মতভিত্তিক পদ্ধতি কনফিগারযোগ্যতার চেয়ে ভালো
আপনাকে একটি ভয়েস স্ট্যাক হাতে করে সাজাতে হওয়া উচিত নয়।
Vapi, Retell, Pipecat এবং LiveKit-এর মতো অন্যান্য ভয়েস AI প্ল্যাটফর্ম আপনার কল সচল করতে আপনাকে ব্যাপক কনফিগারেশন সিদ্ধান্ত নিতে বাধ্য করে। ThunderPhone-এ আমরা বিশ্বাস করি, টিউনিং আমাদের কাজ, আর আপনার কল নির্বিঘ্নে চালু রাখতে আপনাকে যতটা সম্ভব কম কাজ করতে হওয়া উচিত।
অন্যান্য ভয়েস AI প্ল্যাটফর্ম · সমন্বয়ের জন্য অনেক সেটিংস
STT LLM TTS এন্ডপয়েন্টিং নয়েজ অপসারণ বাধা ফলব্যাক টুল স্কিমা ল্যাটেন্সি VAD
ThunderPhone আপনার জন্য এগুলো সব টিউন করে
ThunderPhone · তিনটি সিদ্ধান্ত
1
একটি টিয়ার বেছে নিন
Spark, Bolt, অথবা Storm।
2
একটি ভয়েস বেছে নিন
বাছাইকৃত, বাস্তব কলে পরীক্ষিত।
3
আপনার prompt লিখুন
আচরণ, নীতি, টুল — সহজ ভাষায়।
তিনটি সিদ্ধান্ত। সেটআপ বলতে এটুকুই — অর্কেস্ট্রেশন, ফলব্যাক ও টিউনিং বিল্ট-ইনভাবেই থাকে।
আমরা কাজের জন্য সেরা মডেল বেছে নিয়ে একসঙ্গে জুড়ে দিই। OpenAI, Anthropic এবং Google-এর ফ্রন্টিয়ার মডেল ওপেন-সোর্স মডেলের সঙ্গে কাজ করে — প্রতিটি কলে সেরা পারফরম্যান্স ও মূল্যের জন্য অর্কেস্ট্রেট করা হয়, যাতে আপনাকে এ নিয়ে ভাবতে না হয়।
একটি prompt, কম গ্রাফের জটিলতা
একটি prompt, নোডের গ্রাফ নয়।
ফ্লো বিল্ডার রয়েছে কারণ কম সক্ষম সিস্টেম জটিল prompt অনুসরণ করতে পারে না। কথোপকথনের প্রতিটি ধাপ এমন একটি নোড হয়ে যায়, যা আপনাকে হাতে তৈরি ও রক্ষণাবেক্ষণ করতে হয়। Storm একটি মাত্র prompt থেকে বিস্তারিত নির্দেশনা অনুসরণ করে, তাই আপনাকে নোড ও এজ নিয়ে চিন্তা করতে হয় না।
ফ্লো-বিল্ডার প্ল্যাটফর্মঅবৈধ ×2ত্রুটি
প্রতিটি শাখা হাতে সংযুক্ত করুন।
অভিবাদনprompt · ভয়েস
ফোন নম্বর সংগ্রহ করুনprompt · যাচাইকরণ
ফোন নম্বর নিশ্চিত করুনপুনরায় prompt ×2
enroll()টুল · পুনরায় চেষ্টা
এস্কেলেট করুনমানব প্রতিনিধির কাছে
বিকল্প ব্যবস্থাসবকিছুর জন্য
একটি নিবন্ধন প্রবাহের জন্য ছয়টি নোড — প্রতিটির নিজস্ব prompt, টুল, ট্রানজিশন এবং ব্যর্থতা ব্যবস্থাপনা রয়েছে।
ThunderPhone Storm
আচরণ একবার বর্ণনা করুন।
আচরণগত prompt
কলারকে অভিবাদন জানান এবং তাদের নাম ও ফোন নম্বর সংগ্রহ করুন।
নিবন্ধনের আগে সম্মতি নিশ্চিত করুন — এটি আবশ্যক।
তারা বিলিং সম্পর্কে জিজ্ঞাসা করলে, নিচের বিলিং নীতি অনুসরণ করুন।
সব ক্ষেত্র নিশ্চিত হওয়ার পরেই শুধু enroll() কল করুন।
কলার কোনো ব্যক্তির সঙ্গে কথা বলতে চাইলে, মানব প্রতিনিধির কাছে স্থানান্তর করুন।
নিবন্ধনের আগে সম্মতি নিশ্চিত করুন — এটি আবশ্যক।
তারা বিলিং সম্পর্কে জিজ্ঞাসা করলে, নিচের বিলিং নীতি অনুসরণ করুন।
সব ক্ষেত্র নিশ্চিত হওয়ার পরেই শুধু enroll() কল করুন।
কলার কোনো ব্যক্তির সঙ্গে কথা বলতে চাইলে, মানব প্রতিনিধির কাছে স্থানান্তর করুন।
জটিল শাখাবিন্যাস ঐচ্ছিক নজরদারি ব্যবস্থা সহজতর পুনরাবৃত্তি
লেখা, পরীক্ষা এবং পুনরাবৃত্তির জন্য একটি prompt — শাখাবিন্যাসসহ।
কেন এটি গুরুত্বপূর্ণ
প্রোডাকশন কল জটিল হয়। ThunderPhone প্রস্তুত।
অস্পষ্ট উচ্চারণ, পেছনের কথাবার্তা, নাম ও নম্বর, মিশ্র ভাষা — ThunderPhone তৈরি এমন পরিস্থিতির জন্য, যা অন্য সিস্টেমগুলোকে ব্যর্থ করে দেয়।
অস্পষ্ট উচ্চারণ
একটি ট্রান্সক্রিপশনের ওপর ভরসা না করে অডিও ও টেক্সট সিগন্যাল তুলনা করুন।
খারাপ ফোন অডিও
নয়েজ শনাক্তকরণ ও হ্রাসকারী মডেল সিগন্যাল পরিষ্কার করে।
পেছনের কথাবার্তা
এজেন্টকে ব্যাহত করার আগে পাশের কথোপকথন শনাক্ত করুন।
নাম ও ঠিকানা
বিশেষ নাম, বানান, সংখ্যা ও সংশোধন ক্রস-চেক করুন।
মিশ্র-ভাষার কথা
প্রয়োজন হলে বহুভাষিক অডিও ও ভয়েস পাথের মাধ্যমে রাউট করুন।
দীর্ঘ prompt
আচরণকে একটি নিয়মে সীমাবদ্ধ করা না গেলে আরও শক্তিশালী রিজনিং পাথ ব্যবহার করুন।
লেটেন্সি, মান ও খরচ
দ্রুত ভুল উত্তর ভালো কল নয়।
ফোন AI-কে দ্রুত উত্তর দিতে হয় — কিন্তু নির্ভুলতা ছাড়া গতি শুধু দ্রুত ভুল তৈরি করে। নির্ভরযোগ্য থাকতে আজকের LLM-গুলোর ভাবার জন্য একটু সময় দরকার, তাই ThunderPhone প্রতিটি টিয়ার অনুযায়ী দুটির ভারসাম্য রাখে।
Bolt
~2s
প্রথম প্রতিক্রিয়া পর্যন্ত
Storm
~2–3s
স্বীকৃতিসহ ~2s · স্বীকৃতি ছাড়া ~3s
পরিমাপঅন্যান্য সরবরাহকারীরা আদর্শ পরিস্থিতিতে 500ms লেটেন্সির দাবি করে, কিন্তু বাস্তব কলে সাধারণত প্রায় 2s লাগে।আমরা বাস্তব পরিস্থিতিতে আমাদের লেটেন্সি পরিমাপ করি।
স্থিতিস্থাপকতাAI সরবরাহকারীরা লেটেন্সি স্পাইকের সম্মুখীন হয়, যা কল ব্যাহত করতে পারে।এমন হলে ThunderPhone-এর সমন্বিত স্ট্যাক দ্রুততর বিকল্পে ফেইলওভার করে।
ভয়েস AI-এর প্রজন্মগুলো
ভয়েস AI-এর পরবর্তী প্রজন্ম এখানে
স্বয়ংক্রিয় ফোন কল ছিল হতাশাজনক অভিজ্ঞতা...এখন পর্যন্ত। প্রযুক্তির প্রতিটি ধাপ অভিজ্ঞতাকে উন্নত করেছে, কিন্তু কখনোই তা সত্যিকারভাবে মসৃণ হয়ে ওঠেনি। ThunderPhone-এর সঙ্গে তা বদলে যায়।
1990s2010s20242026 · এখন
প্রজন্ম 1
IVR
বিক্রয়ের জন্য 1 চাপুন, সহায়তার জন্য 2 চাপুন। মেনু শুধু রাউট করতে পারে।
প্রজন্ম 2
ইনটেন্ট বট
“বিক্রয়” বা “বিলিং” বলুন এবং আশা করুন স্লট পার্সার তা ধরতে পারে।
প্রজন্ম 3
তিন-ধাপের AI
ট্রান্সক্রাইব করুন, একটি দ্রুত LLM-কে জিজ্ঞাসা করুন, তারপর বলুন—প্রতিটি ধাপ আগেরটির ওপর নির্ভর করে।
প্রজন্ম 4
সমন্বিত AI
অডিও, টেক্সট, রিজনিং, টুল, ভয়েস এবং গার্ডরেল—সব এক সিস্টেমে।
যে কলগুলো অন্য সবকিছু ভেঙে দেয়, সেগুলোর জন্য তৈরিসমন্বিত স্ট্যাক দেখুন
সমন্বিত স্ট্যাক দেখুন
আপনার সবচেয়ে কঠিন কলগুলোর জন্য।
দশ মিনিটে লাইভ। 2¢/মিনিট থেকে।