സാങ്കേതികവിദ്യ
മൂന്ന് ഘട്ട പൈപ്പ്ലൈനിൽ ഒതുങ്ങേണ്ട.
മിക്ക വോയ്സ് AI സംവിധാനങ്ങളും ഉപയോഗിക്കുന്നത് ഒരു ട്രാൻസ്ക്രിപ്ഷൻ മോഡലും ഒരു LLM-ഉം ഒരു TTS-ഉം ചേർന്ന പൈപ്പ്ലൈനോ ഒരൊറ്റ സ്പീച്ച്-ടു-സ്പീച്ച് മോഡലോ ആണ്. ThunderPhone ഓരോ കോളിലും നിരവധി മോഡലുകൾ പ്രവർത്തിപ്പിക്കുന്നു—അവ പരസ്പരം പരിശോധിക്കുകയും ചെയ്യുന്നു.
ആർക്കിടെക്ചർ
യഥാർഥ കോളുകൾ വരുമ്പോൾ മറ്റു സ്റ്റാക്കുകൾ തകരും.
ഞങ്ങളുടേത് ഉറച്ചുനിൽക്കും.
മറ്റു സേവനദാതാക്കൾ ഉപയോഗിക്കുന്നത് മൂന്ന് ഘട്ട പൈപ്പ്ലൈനോ സ്പീച്ച്-ടു-സ്പീച്ച് മോഡലോ ആണ്. രണ്ടിലും തെറ്റുകൾ സംഭവിക്കും; യഥാർഥ കോളുകൾ പാളാൻ അതുമതി.
ഓരോ ഘട്ടവും മുൻഘട്ടത്തെ വിശ്വസിക്കുന്നു
- ഒരു ട്രാൻസ്ക്രിപ്റ്റിൽ ഏറ്റവും സാധ്യതയുള്ള ഒരൊറ്റ അനുമാനം മാത്രമേ നിലനിൽക്കൂ. അത് തെറ്റാണെങ്കിൽ, പിന്നീട് തിരുത്തിപ്പിടിക്കാൻ LLM-ന് കഴിയില്ല.
- ഫാസ്റ്റ് LLM-കൾക്ക് തെറ്റുപറ്റും. കൂടുതൽ കരുതലോടെ പ്രവർത്തിക്കുന്നവ മറുപടി നൽകാൻ സെക്കൻഡുകൾ എടുക്കും.
- മാറിമാറി മാത്രം സംസാരിക്കാവുന്ന കർശന രീതി സംഭാഷണത്തിന്റെ സ്വാഭാവികത കളയുന്നു.
സംസാരം സ്വാഭാവികം, പക്ഷേ നിയമങ്ങൾ കൃത്യമായി പാലിക്കില്ല
- നിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിലും ടൂൾ കോളുകൾ നടത്തുന്നതിലും വിശ്വസനീയമല്ല.
- ബിസിനസ് കോളുകളിൽ ഇങ്ങനെ പ്രവചനാതീതമായി പെരുമാറുന്നത് അപകടകരമാണ്.
- ചിലപ്പോൾ കേൾക്കുന്നതിൽ മെച്ചം; എല്ലായ്പ്പോഴും അങ്ങനെയല്ല.
പരസ്പരം പരിശോധിക്കുന്ന നിരവധി മോഡലുകൾ
- നിരവധി ട്രാൻസ്ക്രൈബറുകളും ഓഡിയോ തന്നെയും ഉപയോഗിക്കുന്നതിനാൽ, വിളിക്കുന്നവർ പറയുന്നത് കൃത്യമായി മനസ്സിലാകും.
- ഒരു ഫാസ്റ്റ് മോഡലും ഒരു തിങ്കിങ് മോഡലും; ഓരോ ടേണിലും മോഡൽ മാറും.
- നിങ്ങളുടെ കോളുകൾക്ക് വേണ്ട രീതിയിൽ Zeus ഇവയെ ട്യൂൺ ചെയ്യുന്നു.
ഓരോ കോളിനും നിരവധി മോഡലുകൾ
പല രീതിയിൽ കേൾക്കും, പിന്നെ ഒത്തുനോക്കും.
വിശ്വസനീയമായ കോളുകൾ ഒരുക്കാൻ മൂന്ന് മോഡലുകളേക്കാൾ ഏറെ വേണം. ഓപ്പൺ സോഴ്സ് മോഡലുകളും കൊമേഴ്സ്യൽ മോഡലുകളും ഞങ്ങൾ സംയോജിപ്പിക്കുന്നു; ഫലം മെച്ചപ്പെടുത്തുന്നിടത്ത് അവയെ ഫൈൻ-ട്യൂൺ ചെയ്യുന്നു.
നിരവധി ട്രാൻസ്ക്രൈബറുകൾ; കൂടെ ഓഡിയോയും
ഞങ്ങൾ ഒരേസമയം നിരവധി ട്രാൻസ്ക്രിപ്ഷൻ മോഡലുകൾ പ്രവർത്തിപ്പിക്കുന്നു. പലപ്പോഴും ഓഡിയോ നേരിട്ട് ഒരു LLM-ലേക്കും അയയ്ക്കുന്നു.
ഒരു ഫാസ്റ്റ് മോഡലും ഒരു തിങ്കിങ് മോഡലും
സംഭാഷണം മുന്നേറുന്നതനുസരിച്ച്, ഓരോ സംഭാഷണ ഊഴത്തിലും ഏത് മോഡൽ മറുപടി നൽകണമെന്ന് തീരുമാനിക്കുന്നു.
പശ്ചാത്തലശബ്ദം, സംസാരിക്കുന്നവരെ വേർതിരിക്കൽ, സംഭാഷണ ഊഴങ്ങൾ
പശ്ചാത്തലശബ്ദം കൈകാര്യം ചെയ്യാനും സംസാരിക്കുന്നവരെ വേർതിരിക്കാനും ഓരോ സംഭാഷണ ഊഴത്തിന്റെയും തുടക്കവും അവസാനവും തിരിച്ചറിയാനുമുള്ള മോഡലുകൾ.
സ്വാഭാവിക ശബ്ദം, വിശ്വസനീയമായ പ്രവർത്തനം
സ്പീച്ച്-ടു-സ്പീച്ച് മോഡലുകളോടൊപ്പം, ബാക്കപ്പായി ടെക്സ്റ്റ് മോഡലുകളും ഞങ്ങൾ പ്രവർത്തിപ്പിക്കുന്നു.
മൂന്ന് ഘട്ടങ്ങളുള്ള പൈപ്പ്ലൈൻ തെറ്റായ മറുപടി
ThunderPhone ആദ്യതവണ തന്നെ ശരിയായ മറുപടി
കൃത്യത
പബ്ലിക് ബെഞ്ച്മാർക്കിൽ മികവ് തെളിയിച്ചു.
സംസാരിച്ച് ചോദിക്കുന്ന പ്രയാസമേറിയ ചോദ്യങ്ങൾ ഒരു മോഡൽ മനസ്സിലാക്കി ശരിയായി മറുപടി നൽകുന്നുണ്ടോ എന്നാണ് Big Bench Audio പരിശോധിക്കുന്നത്.
ഞങ്ങളുടെ ഇവാലുകൾ
യഥാർത്ഥ കോളുകളെ അടിസ്ഥാനമാക്കിയ ഇവാലുകൾ.
വെൻഡർമാരുടെ അവകാശവാദങ്ങൾക്കു പകരം യഥാർത്ഥ കോളുകളിൽ നിന്നുള്ള ഡാറ്റ ഉപയോഗിച്ചാണ് സ്റ്റാക്കിന്റെ ഓരോ ഭാഗത്തെയും എല്ലാ മോഡലുകളും ഞങ്ങൾ പരിശോധിക്കുന്നത്. ഓരോന്നിന്റെയും നേട്ടങ്ങളും പരിമിതികളും ട്രാക്ക് ചെയ്യുകയും ചെയ്യുന്നു. Zeus നിങ്ങൾക്കായുള്ള സെറ്റപ്പ് തിരഞ്ഞെടുക്കുന്നത് ഈ സിഗ്നൽ അടിസ്ഥാനമാക്കിയാണ്.
ഞങ്ങളുടെ ആഭ്യന്തര ഇവാലുകളുടെ പതിപ്പുകൾ ഉടൻ പുറത്തുവിടും.
| യഥാർഥ കോളുകളിലെ ഇവാൽ | മോഡൽ A | മോഡൽ B |
|---|---|---|
| പേരുകളും നമ്പറുകളും കൃത്യമായി കേൾക്കൽ | കൂടുതൽ കരുത്തുറ്റത് | നല്ലത് |
| ചെറിയ മറുപടികൾ (“അതെ”, “ഇല്ല”) | നല്ലത് | കൂടുതൽ കരുത്തുറ്റത് |
| പ്രതികരണ വേഗം | കൂടുതൽ വേഗമുള്ളത് | വേഗം കുറഞ്ഞത് |
| നീണ്ട നിർദേശങ്ങൾ പാലിക്കൽ | കരുത്ത് കുറഞ്ഞത് | കൂടുതൽ കരുത്തുറ്റത് |
ട്രേഡ്-ഓഫുകൾ
ഓരോ കോളിന്റെയും ആവശ്യം വ്യത്യസ്തമാണ്. എന്ത് വേണമെന്ന് Zeus തീരുമാനിക്കും.
കേൾവി, ചിന്ത, സംസാര ഊഴമാറ്റം, ശബ്ദം—ഇവയിൽ ഓരോന്നിനും നിരവധി മോഡൽ ഓപ്ഷനുകളാണ് ഞങ്ങളുടെ ആർക്കിടെക്ചർ നൽകുന്നത്. കൃത്യത, വേഗം, ചെലവ് എന്നിവയ്ക്കിടയിൽ ഓരോ ഓപ്ഷനും വ്യത്യസ്ത ബാലൻസുണ്ട്. നിങ്ങളുടെ കോളുകൾക്ക് ഏറ്റവും അനുയോജ്യമായ സെറ്റപ്പ് Zeus തിരഞ്ഞെടുക്കും.
| ഡെന്റൽ റിസപ്ഷനിസ്റ്റ് | ഔട്ട്ബൗണ്ട് സെയിൽസ് | |
|---|---|---|
| കേൾവി | പേരുകളും ജനനത്തീയതികളും ഇൻഷുറൻസ് നമ്പറുകളും തിരിച്ചറിയാൻ മൂന്ന് ട്രാൻസ്ക്രൈബറുകളും ഓഡിയോയും | ചെറിയ മറുപടികൾക്കായി ട്യൂൺ ചെയ്ത, വേഗമേറിയ ഒരു ട്രാൻസ്ക്രൈബർ |
| ചിന്ത | ബുക്കിംഗ് സംഭാഷണത്തിലെ ഊഴങ്ങളിൽ ചിന്താ മോഡൽ; കുശലസംഭാഷണത്തിന് വേഗമേറിയ മോഡൽ | സെയിൽസ് പിച്ചിന്റെ ഒഴുക്ക് നിലനിർത്താൻ മിക്ക സംസാര ഊഴങ്ങളിലും വേഗമേറിയ മോഡൽ |
| സംസാര ഊഴമാറ്റം | ക്ഷമയോടെ: വിളിക്കുന്നവർ കാർഡ് തിരയുമ്പോഴുള്ള ഇടവേളകളിൽ കാത്തിരിക്കും | വേഗത്തിൽ: സാധ്യതയുള്ള ഉപഭോക്താവ് സംസാരം നിർത്തിയാലുടൻ മറുപടി തുടങ്ങും |
| ശബ്ദം | നമ്പറുകൾ വ്യക്തമായി ആവർത്തിച്ചുപറയുന്ന സ്ഥിരതയുള്ള ശബ്ദം | ഏറ്റവും സ്വാഭാവികമായ പ്രീമിയം ശബ്ദം |
| ലക്ഷ്യം | തെറ്റായ വിവരങ്ങളില്ലാതെ ബുക്കിങ്ങുകൾ പൂർത്തിയാക്കുക | കോൾ ചെലവ് കുറച്ച ശേഷമുള്ള കൺവേർഷൻ മൂല്യം |
ഇവ ഉദാഹരണങ്ങൾ മാത്രം. നിങ്ങളുടെ സ്വന്തം കോളുകളും ലക്ഷ്യങ്ങളും അടിസ്ഥാനമാക്കിയാണ് ഓരോ ക്രമീകരണവും Zeus തിരഞ്ഞെടുക്കുന്നത്.
ലേറ്റൻസി
മിക്ക ടേണുകളിലും വേഗം. നിർണായകമായപ്പോൾ കൂടുതൽ സൂക്ഷ്മം.
സംഭാഷണത്തിലെ ചില ടേണുകളിൽ മോഡൽ കൂടുതൽ ആഴത്തിൽ ചിന്തിക്കേണ്ടിവരും; അതിന് സമയമെടുക്കും. എന്നാൽ മിക്ക ടേണുകളും വളരെ വേഗത്തിൽ കൈകാര്യം ചെയ്യാം. ഓരോ ടേണിലും ആവശ്യമായ ബുദ്ധിശേഷിയുടെ തോത് ThunderPhone സ്വയം ക്രമീകരിക്കുന്നു. അതിനാൽ സാധാരണ മറുപടി ഏകദേശം 1.5 സെക്കൻഡിനുള്ളിൽ ലഭിക്കും; പിഴവ് ഒഴിവാക്കാൻ ആവശ്യമുള്ളപ്പോൾ മാത്രം കൂടുതൽ സമയമെടുക്കും. മറ്റ് വോയ്സ് AI സംവിധാനങ്ങൾ അങ്ങനെ ചെയ്യുന്നില്ല.
ഓരോ ടേണിലെയും പ്രതികരണ സമയം
യഥാർത്ഥ കോളുകൾ
സ്വാഭാവികമായ സംഭാഷണം, കുഴഞ്ഞുമറിഞ്ഞ കോളുകളിലും.
വിളിക്കുന്നവർ ഇടയിൽ കയറി സംസാരിച്ചാലും, നിർത്തി ആലോചിച്ചാലും, തീരുമാനം മാറ്റിയാലും സംഭാഷണം തടസ്സമില്ലാതെ മുന്നോട്ട് പോകും. മറ്റ് സിസ്റ്റങ്ങളെ താളം തെറ്റിക്കുന്ന സാഹചര്യങ്ങൾ കൈകാര്യം ചെയ്യാനാണ് ThunderPhone രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.
അവ്യക്തമായ സംസാരം
ഒരൊറ്റ ട്രാൻസ്ക്രിപ്റ്റിനെ മാത്രം വിശ്വസിക്കാതെ, ഓഡിയോയും ടെക്സ്റ്റും താരതമ്യം ചെയ്യുന്നു.
പേരുകളും വിലാസങ്ങളും
പേരുകൾ, സ്പെല്ലിങ്ങുകൾ, അക്കങ്ങൾ, തിരുത്തലുകൾ എന്നിവ പരസ്പരം ഒത്തുനോക്കി ഉറപ്പാക്കുന്നു.
നിലവാരമില്ലാത്ത ഫോൺ ഓഡിയോ
മറ്റേതെങ്കിലും ഘടകം കേൾക്കുന്നതിന് മുമ്പ് നോയ്സ് മോഡലുകൾ സിഗ്നൽ വൃത്തിയാക്കുന്നു.
പശ്ചാത്തലത്തിലെ സംസാരം
വശത്തുള്ള സംഭാഷണങ്ങൾ ഏജന്റിനെ വഴിതെറ്റിക്കുന്നതിന് മുമ്പേ തിരിച്ചറിയുന്നു.
ഭാഷകൾ കലർന്ന സംസാരം
കോൾ നടക്കുന്നതിനിടെ കോളർ ഭാഷ മാറ്റുമ്പോൾ, ഏജന്റും അതേ നിമിഷം ഭാഷ മാറ്റും.
ഇടപെടലുകളും ഇടവേളകളും
സംസാരത്തിനിടെ കോളർ ഇടപെട്ടാൽ നിർത്തും, “mm-hm” അവഗണിക്കും, ചിന്തിക്കാനെടുക്കുന്ന ഇടവേള തീരുന്നതുവരെ കാത്തിരിക്കും.
വോയ്സുകൾ
ഓരോ TTS വോയ്സിനും അതിന്റേതായ ഗുണദോഷങ്ങളുണ്ട്. ശരിയായത് തിരഞ്ഞെടുക്കാൻ Zeus സഹായിക്കും.
ഓരോ TTS മോഡലിനും വ്യത്യസ്ത ഗുണങ്ങളും പരിമിതികളുമുണ്ട്. നിങ്ങളുടെ കോളുകൾക്ക് ഏറ്റവും അനുയോജ്യമായത് തിരഞ്ഞെടുക്കാൻ Zeus സഹായിക്കും.
| പ്ലാറ്റ്ഫോം Inworld | പ്രീമിയം Cartesia | പ്രീമിയം ElevenLabs v4 Turbo | |
|---|---|---|---|
| നിരക്ക് | ഏതാണ്ട് സൗജന്യം | മിനിറ്റിന് ഏകദേശം 2¢ അധികം | മിനിറ്റിന് ഏകദേശം 2¢ അധികം |
| സ്ഥിരത | |||
| സ്വാഭാവികത |
ഭാഷകൾ
നിങ്ങളുടെ കോളർമാരുടെ ഭാഷയിൽ—കോൾ നടക്കുന്നതിനിടെ തന്നെ.
വോയ്സ് ഏജന്റുകൾക്ക് 62 ഭാഷകൾ മനസ്സിലാക്കാനും സംസാരിക്കാനും കഴിയും; കോളർ ഭാഷ മാറ്റുന്ന നിമിഷം അവരും മാറും. ഭാഷയ്ക്ക് അധിക നിരക്കില്ല.
നിങ്ങളുടെ ഏറ്റവും സങ്കീർണ്ണമായ കോളുകളിൽ പരീക്ഷിച്ചുനോക്കൂ.
$10 കോൾ ക്രെഡിറ്റോടെ സൗജന്യമായി തുടങ്ങൂ. ക്രെഡിറ്റ് കാർഡ് ആവശ്യമില്ല.