ટેક્નોલોજી
ત્રણ-પગલાની પાઇપલાઇનને પાછળ છોડો.
મોટાભાગનું વૉઇસ AI એક ટ્રાન્સક્રિપ્શન મોડલ, એક LLM અને એક TTS પર ચાલે છે અથવા એક જ સ્પીચ-ટુ-સ્પીચ મોડલ વાપરે છે. ThunderPhone દરેક કૉલમાં અનેક મોડલ ચલાવે છે, જે એકબીજાની ચકાસણી કરે છે.
આર્કિટેક્ચર
બીજા સ્ટૅક્સ વાસ્તવિક કૉલમાં તૂટી પડે છે.
અમારું સ્ટૅક અડીખમ રહે છે.
બીજા પ્રોવાઇડર્સ ત્રણ-પગલાની પાઇપલાઇન અથવા સ્પીચ-ટુ-સ્પીચ મોડલ વાપરે છે. બંનેમાં એવી ભૂલો થાય છે, જે વાસ્તવિક કૉલ બગાડી નાખે છે.
દરેક સ્ટેપ અગાઉના સ્ટેપ પર જ ભરોસો કરે છે
- ટ્રાન્સક્રિપ્ટ માત્ર એક જ શ્રેષ્ઠ અનુમાન રાખે છે. એ ખોટું પડે, તો LLM ભૂલ સુધારી શકતું નથી.
- ઝડપી LLMથી ભૂલો થાય છે. વિચારપૂર્વક જવાબ આપતા LLMને કેટલાંક સેકન્ડ લાગે છે.
- વારા પ્રમાણે જ બોલવાની કડક ગોઠવણથી વાતચીત સ્વાભાવિક લાગતી નથી.
સ્વાભાવિક સંભળાય, પણ નિયમો બરાબર ન પાળે
- સૂચનાઓ પાળવા અને ટૂલ કૉલ કરવા મામલે ભરોસાપાત્ર નથી.
- અણધાર્યું વર્તન બિઝનેસ કૉલમાં જોખમી છે.
- ક્યારેક વધુ સારી રીતે સાંભળે છે, પણ હંમેશાં નહીં.
અનેક મોડલ, જે એકબીજાની ચકાસણી કરે છે
- અનેક ટ્રાન્સક્રાઇબર અને સાથે મૂળ ઑડિયો પણ, જેથી કૉલરની વાત સાચી રીતે સમજાય.
- એક ઝડપી અને એક થિંકિંગ મોડલ—દરેક વારે બંને વચ્ચે સ્વિચ થાય છે.
- Zeus તેને તમારા કૉલની જરૂરિયાત પ્રમાણે ટ્યુન કરે છે.
દરેક કૉલ માટે અનેક મોડલ
એક જ વાત અનેક રીતે સાંભળીએ, પછી બધાનો મેળ બેસાડીએ.
ભરોસાપાત્ર કૉલ માટે ત્રણ કરતાં ઘણાં વધુ મોડલ જોઈએ. અમે ઓપન-સોર્સ અને કોમર્શિયલ મોડલને સાથે કામે લગાડીએ છીએ અને જ્યાં ફાયદો થાય ત્યાં તેમને ફાઇન-ટ્યુન કરીએ છીએ.
અનેક ટ્રાન્સક્રાઇબર, સાથે ઑડિયો પણ
અમે એકસાથે અનેક ટ્રાન્સક્રિપ્શન મોડલ ચલાવીએ છીએ અને ઘણી વાર ઑડિયો સીધો LLMને પણ મોકલીએ છીએ.
એક ઝડપી મોડલ અને એક થિંકિંગ મોડલ
વાતચીતના આધારે, દરેક વારે કયું મોડલ જવાબ આપશે તે નક્કી થાય છે.
ઘોંઘાટ, બોલનારાઓ, બોલવાનો વારો
ઘોંઘાટ સંભાળવા, બોલનારાઓને અલગ ઓળખવા અને દરેક વારો ક્યારે શરૂ તથા પૂરો થાય તે નક્કી કરવા માટેનાં મોડલ.
સ્વાભાવિક અવાજ, ભરોસાપાત્ર વર્તન
અમે સ્પીચ-ટુ-સ્પીચ મોડલની સાથે ટેક્સ્ટ મોડલ પણ ચલાવીએ છીએ.
ત્રણ-પગલાની પાઇપલાઇન ખોટો જવાબ
ThunderPhone પહેલી જ વારમાં સાચો જવાબ
સચોટતા
સાર્વજનિક બેન્ચમાર્ક પર પુરવાર થયેલી સચોટતા.
મોડલ મુશ્કેલ મૌખિક પ્રશ્નો સમજે છે અને તેમના સાચા જવાબ આપે છે કે નહીં, તે Big Bench Audio ચકાસે છે.
અમારા ઇવેલ્સ
વાસ્તવિક કૉલ્સ પર આધારિત ઇવેલ્સ.
સ્ટૅકના દરેક ભાગ માટે અમે દરેક મોડલને વેન્ડરના દાવાઓ પર નહીં, પરંતુ વાસ્તવિક કૉલના ડેટા પર ચકાસીએ છીએ અને દરેકના ફાયદા તથા મર્યાદાઓ નોંધીએ છીએ. તમારા માટે યોગ્ય સેટઅપ પસંદ કરવા Zeus આ જ સંકેતનો ઉપયોગ કરે છે.
અમારા આંતરિક મૂલ્યાંકનોની આવૃત્તિઓ અમે ટૂંક સમયમાં જાહેર કરીશું.
| વાસ્તવિક કૉલનું મૂલ્યાંકન | મોડલ A | મોડલ B |
|---|---|---|
| નામ અને નંબર સાંભળવાની ક્ષમતા | વધુ મજબૂત | સારું |
| ટૂંકા જવાબો (“હા”, “ના”) | સારું | વધુ મજબૂત |
| પ્રતિસાદની ઝડપ | વધુ ઝડપી | વધુ ધીમું |
| લાંબા નિયમોનું પાલન | ઓછું મજબૂત | વધુ મજબૂત |
ટ્રેડ-ઑફ્સ
દરેક કૉલની જરૂરિયાત અલગ હોય છે. શું જરૂરી છે, એ Zeus નક્કી કરે છે.
અમારી આર્કિટેક્ચરમાં સાંભળવાની ક્ષમતા, થિંકિંગ, વાતચીતના વારા અને અવાજ—દરેક માટે અલગ-અલગ મોડલ વિકલ્પો છે, જેમાં ચોકસાઈ, ઝડપ અને ખર્ચ વચ્ચે જુદા ટ્રેડ-ઑફ્સ મળે છે. તમારા કૉલ માટે શ્રેષ્ઠ ગોઠવણી Zeus પસંદ કરે છે.
| ડેન્ટલ રિસેપ્શનિસ્ટ | આઉટબાઉન્ડ સેલ્સ | |
|---|---|---|
| સાંભળવાની ક્ષમતા | નામ, જન્મતારીખ અને વીમા નંબર માટે ત્રણ ટ્રાન્સક્રાઇબર સાથે ઑડિયો | ટૂંકા જવાબો માટે ટ્યુન કરેલો એક ઝડપી ટ્રાન્સક્રાઇબર |
| થિંકિંગ | બુકિંગવાળા વારામાં થિંકિંગ મોડલ, હળવી વાતચીત માટે ઝડપી મોડલ | સેલ્સ પિચ આગળ વધતી રહે એ માટે મોટાભાગના વારામાં ઝડપી મોડલ |
| વાતચીતના વારા | ધીરજવાળું: કૉલ કરનાર કાર્ડ શોધે ત્યારે વચ્ચે આવતા વિરામ પૂરા થવાની રાહ જુએ છે | ઝડપી: સંભવિત ગ્રાહક બોલવાનું બંધ કરે કે તરત વાત આગળ વધારે છે |
| અવાજ | નંબર સ્પષ્ટ રીતે ફરી બોલે એવો સ્થિર અવાજ | સૌથી સ્વાભાવિક પ્રીમિયમ અવાજ |
| લક્ષ્ય | બુકિંગ થાય, વિગતોમાં એકેય ભૂલ નહીં | કન્વર્ઝનનું મૂલ્ય − કૉલનો ખર્ચ |
આ ઉદાહરણો માત્ર સમજ માટે છે. Zeus તમારા પોતાના કૉલ અને લક્ષ્યોના આધારે દરેક સેટઅપ પસંદ કરે છે.
લેટન્સી
મોટાભાગના વારોમાં ઝડપી જવાબ. જ્યાં જરૂરી, ત્યાં પૂરી સાવચેતી.
વાતચીતના કેટલાક વારોમાં મોડલને ઊંડાણથી વિચારવું પડે છે, જેમાં સમય લાગે છે. મોટાભાગના વારો બહુ ઝડપથી સંભાળી શકાય છે. ThunderPhone દરેક વારા માટે બુદ્ધિમત્તાનું સ્તર અલગથી ગોઠવે છે. એટલે સામાન્ય જવાબ લગભગ 1.5 સેકન્ડમાં મળે છે; જોકે ભૂલ ટાળવા માટે જરૂરી હોય ત્યારે જવાબ આપવામાં વધુ સમય લે છે. બીજી વૉઇસ AI સિસ્ટમો આવું કરતી નથી.
દરેક વારા માટે પ્રતિસાદનો સમય
વાસ્તવિક કૉલ
સહજ વાતચીત, ગૂંચવણભર્યા કૉલમાં પણ.
કૉલ કરનાર વચ્ચે બોલી શકે છે, થોભી શકે છે કે મન બદલી શકે છે—છતાં વાતચીત સહજ રીતે આગળ વધતી રહે છે. ThunderPhone એવી પરિસ્થિતિઓ માટે બનાવાયું છે જેમાં બીજી સિસ્ટમો નિષ્ફળ જાય છે.
અસ્પષ્ટ રીતે બોલવું
એક જ ટ્રાન્સક્રિપ્ટ પર ભરોસો રાખવાને બદલે ઑડિયો અને ટેક્સ્ટ સરખાવે છે.
નામો અને સરનામાં
વ્યક્તિવાચક સંજ્ઞાઓ, સ્પેલિંગ, નંબરો અને સુધારાઓને એકબીજા સાથે મેળવીને ચકાસે છે.
નબળી ગુણવત્તાનો ફોન ઑડિયો
આગળની કોઈ પણ સિસ્ટમ તેને સાંભળે એ પહેલાં જ નૉઇઝ મોડલ સિગ્નલ સાફ કરે છે.
પાછળ ચાલતી વાતચીત
આસપાસની વાતચીતથી એજન્ટ ગૂંચવાય એ પહેલાં જ તેને ઓળખી લે છે.
ભાષાઓ ભેળવીને બોલવું
કૉલર ભાષા બદલે, એ જ ક્ષણે ભાષા બદલી લે છે.
વચ્ચે બોલવું અને વિરામ
કૉલર વચ્ચે બોલે ત્યારે અટકી જાય છે, “હમ્મ-હં”ને અવગણે છે અને કૉલર વિચારી રહ્યો હોય ત્યારે રાહ જુએ છે.
વૉઇસ
દરેક TTS વૉઇસમાં કંઈક પામવા કંઈક છોડવું પડે. Zeus તમને યોગ્ય પસંદગી કરવામાં મદદ કરે છે.
દરેક TTS મોડલની પોતાની ખૂબીઓ અને મર્યાદાઓ હોય છે. તમારા કૉલ્સ માટે શ્રેષ્ઠ મોડલ પસંદ કરવામાં Zeus તમારી મદદ કરે છે.
| પ્લેટફોર્મ Inworld | પ્રીમિયમ Cartesia | પ્રીમિયમ ElevenLabs v4 Turbo | |
|---|---|---|---|
| કિંમત | લગભગ મફત | પ્રતિ મિનિટ લગભગ 2¢ વધુ | પ્રતિ મિનિટ લગભગ 2¢ વધુ |
| સ્થિરતા | |||
| સ્વાભાવિકતા |
ભાષાઓ
તમારા કૉલરની ભાષામાં, કૉલની વચ્ચે પણ.
એજન્ટ 62 ભાષાઓ સમજે છે અને બોલે છે, અને કૉલર ભાષા બદલે એ જ ક્ષણે પોતે પણ ભાષા બદલી લે છે. કોઈ વધારાનો ભાષા ચાર્જ નથી.
તમારા સૌથી પડકારજનક કૉલ્સ પર અજમાવી જુઓ.
$10ની કૉલ ક્રેડિટ સાથે મફતમાં શરૂઆત કરો. ક્રેડિટ કાર્ડની જરૂર નથી.