ટેક્નોલોજી

3-સ્ટેપ પાઇપલાઇનથી
આગળ વધો.

મોટાભાગના વૉઇસ AI પ્લેટફૉર્મ 3-સ્ટેપ પાઇપલાઇન પર નિર્ભર છે: એક ટ્રાન્સક્રિપ્શન મોડલ, એક વિચાર ન કરતું LLM અને એક ટેક્સ્ટ-ટુ-સ્પીચ એન્જિન. દરેક સ્ટેપ પોતે જ સિંગલ પોઇન્ટ ઑફ ફેલ્યર છે. ThunderPhone એકસાથે અનેક મોડલ વચ્ચે તાલમેલ સાધીને ભૂલો ઘટાડે છે.

કૉલરે કહ્યું “I rent.”
ASR A“I rent”
ASR B“I’m Brent”
ઑડિયો LLM“I rent”
મેળવણી પછી: “I rent”3માંથી 2 પાથનું પરિણામ સરખું છે

એક જ વાતને અનેક રીતે સાંભળે,
પછી બધાનો મેળ બેસાડે.

ThunderPhone એકસાથે અનેક મોડલ વચ્ચે તાલમેલ સાધે છે, જેથી તેઓ એકબીજાની ભૂલો સુધારી શકે.

કૉલર અસ્પષ્ટ રીતે કહે છે, “I rent.”
અન્ય પ્લેટફોર્મ્સ3-પગલાંની પાઇપલાઇન
એક જ વાર સાંભળે છે
STT “I’m Brent”
એકમાત્ર મોડલ ખોટું સાંભળે ત્યારે કોઈ બૅકઅપ નથી
ઝડપથી જવાબ આપે છે

ફાસ્ટ LLMને ફક્ત ટ્રાન્સક્રિપ્ટ જ દેખાય છે.

બોલે છે

“Hi, Brent — how can I help?”

1 ટ્રાન્સક્રિપ્ટ + 1 LLM = ખોટો જવાબ
ThunderPhoneસુમેળબદ્ધ
ત્રણ અલગ રીતે સાંભળે છે
“I rent”“I’m Brent”“I rent”
પુરાવા તરીકે ત્રણ ટ્રાન્સક્રિપ્ટ + રૉ ઑડિયો સાચવવામાં આવે છે
મેળ બેસાડે છે

ફાસ્ટ + રીઝનિંગ LLM ક્રોસ-ચેક કરે છે: 3માંથી 2 માર્ગ એક જ નિષ્કર્ષ પર પહોંચે છે.

બોલે છે

“Got it — so you rent.”

અઘરી વિગતો પણ પહેલી જ વારમાં સચોટ રીતે પકડે છે.

Storm Big Bench Audio પર બુદ્ધિક્ષમતાના રેકોર્ડ બનાવે છે.

BBA ચકાસે છે કે કોઈ મોડલ બોલીને આપેલા prompt સમજીને મુશ્કેલ પ્રશ્નોના સાચા જવાબ આપી શકે છે કે નહીં. અમારા સૌથી શક્તિશાળી Storm કૉન્ફિગરેશનના નામે રેકોર્ડ છે: અમારા જાહેર મૂલ્યાંકન સેટ પર 99.4%.

0.6% ભૂલનો દર

· જુલાઈ 2026Hugging Face પરનો ડેટાસેટ
ThunderPhoneStorm · Extra Intelligence0.6%
Qwen Audio 3.0Realtime Plus0.8%
Qwen3.5 OmniPlus Realtime1.3%
Step-Audio R1.1Realtime2.4%

ThunderPhoneનું પરિણામ ઉપર લિંક કરેલા અમારા જાહેર મૂલ્યાંકન ડેટાસેટ પરથી છે; અન્ય જાહેર સ્કોર (Artificial Analysis લીડરબોર્ડ) માત્ર સંદર્ભ માટે આપેલા છે.

તમારે વૉઇસ સ્ટૅકના ભાગો જાતે જોડવા ન પડવા જોઈએ.

તમારા કૉલ સેટઅપ કરવા માટે Vapi, Retell, Pipecat અને LiveKit જેવા બીજા વૉઇસ AI પ્લેટફૉર્મ તમને કૉન્ફિગરેશન સંબંધિત અનેક નિર્ણયો લેવા મજબૂર કરે છે. ThunderPhoneમાં અમે માનીએ છીએ કે ટ્યુનિંગ અમારી જવાબદારી છે અને તમારા કૉલ સરળતાથી ચાલે એ માટે તમારે બને એટલું ઓછું કામ કરવું પડે.

અન્ય વૉઇસ AI પ્લેટફોર્મ્સટ્યુન કરવા અનેક સેટિંગ્સ
STTv4-largeSTT ફૉલબૅકLLMtemp 0.3LLM ફૉલબૅકTTSTTS ફૉલબૅકVAD0.62એન્ડપૉઇન્ટિંગ240 msબાર્જ-ઇન થ્રેશોલ્ડ−38 dBબૅકચેનલ ફિલ્ટરઇન્ટરપ્શન્સટર્ન ટાઇમઆઉટ800 msડિનૉઇઝિંગજિટર બફર60 msસૅમ્પલ રેટ8 kHzટૂલ સ્કીમારીટ્રાય પૉલિસી×3ફૉલબૅક્સ

ThunderPhone આ બધું તમારા માટે ટ્યુન કરે છે

ThunderPhoneત્રણ નિર્ણયો
1
ટિયર પસંદ કરો

Spark, Bolt અથવા Storm.

2
અવાજ પસંદ કરો

કાળજીપૂર્વક પસંદ કરેલા અને વાસ્તવિક કૉલ્સ પર ચકાસેલા.

3
તમારો prompt લખો

વર્તન, નીતિ અને ટૂલ્સ — બધું સરળ ભાષામાં.

ફક્ત ત્રણ નિર્ણયો લો. સેટઅપ બસ એટલો જ — ઓર્કેસ્ટ્રેશન, ફૉલબૅક અને ટ્યુનિંગ બધું બિલ્ટ-ઇન છે.

કામ માટે શ્રેષ્ઠ મોડલ્સ પસંદ કરીને અમે તેમને એકસાથે સુમેળમાં ચલાવીએ છીએ. OpenAI, Anthropic અને Googleનાં ફ્રન્ટિયર મોડલ્સને ઓપન-સોર્સ મોડલ્સ સાથે એવી રીતે ઓર્કેસ્ટ્રેટ કરીએ છીએ કે દરેક કૉલ પર શ્રેષ્ઠ પરફોર્મન્સ અને કિંમત મળે — એટલે તમારે આ બધાની ચિંતા કરવાની જરૂર નથી.

નોડ્સનો ગ્રાફ નહીં,
માત્ર એક prompt.

નબળી સિસ્ટમો જટિલ promptને અનુસરી શકતી નથી, એટલે ફ્લો બિલ્ડર્સની જરૂર પડે છે. વાતચીતનો દરેક સ્ટેપ એક નોડ બની જાય છે, જેને તમારે જાતે બનાવવો અને જાળવવો પડે છે. Storm એક જ promptમાં આપેલી વિગતવાર સૂચનાઓને અનુસરે છે, એટલે તમારે નોડ્સ અને એજિસની ચિંતા કરવાની જરૂર નથી.

ફ્લો-બિલ્ડર પ્લેટફોર્મ્સદરેક બ્રાન્ચ જાતે જોડો
અભિવાદન prompt · વૉઇસ
ફોન નંબર મેળવો prompt · વૅલિડેશન
ફોન નંબરની પુષ્ટિ કરો ફરી prompt ×2
enroll() ટૂલ · ફરી પ્રયાસ
માનવીય એજન્ટને એસ્કેલેટ કરો
બાકી બધું સંભાળતું ફૉલબૅક અમાન્ય ×2 · ભૂલ

એક એનરોલમેન્ટ ફ્લો માટે છ નોડ્સ—દરેકના પોતાના prompt, ટૂલ્સ, ટ્રાન્ઝિશન્સ અને નિષ્ફળતા સંભાળવાની વ્યવસ્થા.

ThunderPhone Stormએજન્ટે કેવી રીતે વર્તવું તે એક જ વાર જણાવો
વર્તન માટેનો prompt

કૉલ કરનારનું અભિવાદન કરો અને તેમનું નામ તથા ફોન નંબર મેળવો. નોંધણી પહેલાં સંમતિની પુષ્ટિ કરો — આ ફરજિયાત છે. જો તેઓ બિલિંગ વિશે પૂછે, તો નીચેની બિલિંગ નીતિ અનુસરો. દરેક ફીલ્ડ કન્ફર્મ થઈ જાય પછી જ enroll()ને ફક્ત એક વાર કૉલ કરો. જો કૉલ કરનાર કોઈ વ્યક્તિ સાથે વાત કરવા માગે, તો કૉલ માનવીય એજન્ટને ટ્રાન્સફર કરો.

જટિલ બ્રાન્ચિંગવૈકલ્પિક વૉચડૉગ્સવધુ સરળ ઇટરેશન

લખવા, ટેસ્ટ કરવા અને સતત સુધારવા માટે એક જ prompt—બ્રાન્ચિંગ સહિત.

વાસ્તવિક કૉલમાં ગૂંચવણો હોય જ છે. ThunderPhone તૈયાર છે.

અસ્પષ્ટ બોલચાલ, બૅકગ્રાઉન્ડમાં થતી વાતચીત, નામ અને નંબરો, ભાષાઓની ભેળસેળ — બીજી સિસ્ટમો જ્યાં ખોટકાઈ જાય, એવી પરિસ્થિતિઓ માટે જ ThunderPhone બનાવાયું છે.

અસ્પષ્ટ ઉચ્ચારણ

માત્ર એક ટ્રાન્સક્રિપ્ટ પર ભરોસો રાખવાને બદલે ઑડિયો અને ટેક્સ્ટ સિગ્નલની સરખામણી કરો.

નબળી ગુણવત્તાનો ફોન ઑડિયો

નૉઇઝ ઓળખીને તેને ઘટાડતા મોડલ્સ સિગ્નલને સાફ કરે છે.

બૅકગ્રાઉન્ડમાં ચાલતી વાતચીત

બાજુમાં ચાલતી વાતચીત એજન્ટને ગેરમાર્ગે દોરે તે પહેલાં તેને ઓળખો.

નામ અને સરનામાં

નામો, સ્પેલિંગ, નંબરો અને સુધારેલી વિગતોને ક્રૉસ-ચેક કરો.

એકથી વધુ ભાષામાં બોલચાલ

જરૂર પડે ત્યારે વાતચીતને બહુભાષી ઑડિયો અને વૉઇસ પાથ મારફતે રૂટ કરો.

લાંબા prompts

જ્યારે વર્તનને એક જ નિયમમાં સમાવી ન શકાય, ત્યારે વધુ મજબૂત તર્કપદ્ધતિ અપનાવો.

ખોટો જવાબ વધુ ઝડપથી મળે એટલે કૉલ વધુ સારો નથી થઈ જતો.

વૉઇસ AIએ ઝડપથી જવાબ આપવો પડે — પણ જવાબ સાચો ન હોય તો ઝડપનો અર્થ એટલો જ કે ભૂલો પણ ઝડપથી થાય. આજના LLMને ભરોસાપાત્ર રહેવા માટે વિચારવાનો થોડો સમય જોઈએ છે, એટલે ThunderPhone લેટન્સી અને ચોકસાઈ વચ્ચે સંતુલન સાધે છે.

Spark~3sપ્રથમ પ્રતિસાદ સુધી
Bolt~2sપ્રથમ પ્રતિસાદ સુધી
Storm~2–3s~2 સેકન્ડ સ્વીકૃતિસૂચક પ્રતિસાદ સાથે · એવા પ્રતિસાદ વિના ~3 સેકન્ડ
માપણી

બીજા વેન્ડર્સ આદર્શ પરિસ્થિતિઓમાં 500ms લેટન્સીનો દાવો કરે છે, પરંતુ સામાન્ય રીતે વાસ્તવિક કૉલમાં લગભગ 2 સેકન્ડ લાગે છે. અમે વાસ્તવિક પરિસ્થિતિઓમાં લેટન્સી માપીએ છીએ.

મજબૂતાઈ

AI વેન્ડર્સની લેટન્સીમાં ક્યારેક અચાનક ઉછાળો આવે છે, જેના કારણે કૉલ ખોરવાઈ શકે છે. આવું બને ત્યારે ThunderPhoneનું ઓર્કેસ્ટ્રેટેડ સ્ટૅક આપમેળે વધુ ઝડપી વિકલ્પ પર સ્વિચ થઈ જાય છે.

વૉઇસ AIની નવી પેઢી આવી ગઈ છે.

ઓટોમેટેડ ફોન કૉલ અત્યાર સુધી અકળાવનારા રહ્યા છે… પણ હવે નહીં. ટેક્નોલોજીની દરેક નવી લહેર સાથે અનુભવ સુધરતો ગયો, પણ કૉલ ખરેખર સહજ લાગે એટલો ક્યારેય નહીં. ThunderPhone સાથે હવે આ બદલાય છે.

1990sજનરેશન 1

IVR

“સેલ્સ માટે એક દબાવો, સપોર્ટ માટે બે દબાવો.” મેનૂ ફક્ત કૉલને યોગ્ય જગ્યાએ મોકલી શકે છે.

2010sજનરેશન 2

ઇન્ટેન્ટ બોટ્સ

“સેલ્સ” કે “બિલિંગ” બોલો અને આશા રાખો કે સ્લોટ પાર્સર તેને બરાબર ઓળખી લે.

2024જનરેશન 3

થ્રી-સ્ટેપ AI

પહેલાં ટ્રાન્સક્રાઇબ કરો, પછી એક ઝડપી LLMને પૂછો અને અંતે બોલો — દરેક પગલું અગાઉના પગલાને સાચું માનીને આગળ વધે છે.

2026 · અત્યારેજનરેશન 4

ઇન્ટિગ્રેટેડ AI

ઑડિયો, ટેક્સ્ટ, તર્ક, ટૂલ્સ, અવાજો અને ગાર્ડરેલ્સ—બધું એક જ સિસ્ટમમાં.

બાકી બધું નિષ્ફળ જાય એવા કૉલ્સ માટે બનાવેલું

તમારા સૌથી અઘરા કૉલ્સ પર અમારું ઇન્ટિગ્રેટેડ સ્ટૅક અજમાવી જુઓ.

10 મિનિટમાં લાઇવ. 2¢/મિનિટથી શરૂઆત.