ആരംഭിക്കുക
സാങ്കേതികവിദ്യ

3-ഘട്ട പൈപ്പ്‌ലൈനിനപ്പുറം പോകൂ.

മിക്ക വോയ്‌സ് AI പ്ലാറ്റ്‌ഫോമുകളും 3-ഘട്ട പൈപ്പ്‌ലൈനെയാണ് ആശ്രയിക്കുന്നത്: ഒരു ട്രാൻസ്‌ക്രിപ്ഷൻ മോഡൽ, ചിന്താശേഷിയില്ലാത്ത ഒരു LLM, ഒരു ടെക്സ്റ്റ്-ടു-സ്പീച്ച് എൻജിൻ. ഓരോ ഘട്ടവും പരാജയപ്പെടാവുന്ന ഒറ്റ ബിന്ദുവാണ്. ഒരേസമയം നിരവധി മോഡലുകളെ ഏകോപിപ്പിച്ച് ThunderPhone പിഴവുകൾ കുറയ്ക്കുന്നു.

ആരംഭിക്കുക വിലനിർണയം കാണുക
വിളിച്ചയാൾ പറഞ്ഞു “I rent.”
ASR A“I rent”
ASR B“I’m Brent”
ഓഡിയോ LLM“I rent”
“I rent” എന്ന് സ്ഥിരീകരിച്ചു 3 പാതകളിൽ 2 എണ്ണം യോജിക്കുന്നു
സംയോജിത ആർക്കിടെക്ചർ

ഇത് പല വിധത്തിൽ കേൾക്കുക, തുടർന്ന് പൊരുത്തപ്പെടുത്തുക.

ThunderPhone ഒരേസമയം നിരവധി മോഡലുകളെ ഏകോപിപ്പിക്കുന്നു, അതിലൂടെ അവയ്ക്ക് പരസ്പരത്തിന്റെ തെറ്റുകൾ തിരുത്താനാകും.

മറ്റ് പ്ലാറ്റ്‌ഫോമുകൾ · 3-ഘട്ട പൈപ്പ്‌ലൈൻ

ഓരോ ഘട്ടവും മുൻ ഘട്ടത്തെ വിശ്വസിക്കുന്നു.

വിളിക്കുന്നയാളുടെ ഓഡിയോ
“I rent.” · അവ്യക്തമായി പറഞ്ഞു
STT A
“I’m Brent”
STT B
—
ഓഡിയോ LLM
—
ഒറ്റ മോഡൽ തെറ്റായി കേട്ടാൽ ബാക്കപ്പ് ഇല്ല
LLM
വേഗമേറിയ മോഡൽ ട്രാൻസ്ക്രിപ്റ്റ് മാത്രമാണ് കാണുന്നത്.
→ “Hi, Brent — ഞാൻ എങ്ങനെ സഹായിക്കാം?” എന്ന് മറുപടി നൽകുന്നു
വേഗമേറിയ LLM-കൾ നിർദ്ദേശങ്ങൾ പാലിക്കുമ്പോൾ തെറ്റുകൾ വരുത്തും
TTS
ഉത്തരം ശബ്ദമായി തിരികെ പറയുന്നു.
→ “Hi, Brent — ഞാൻ എങ്ങനെ സഹായിക്കാം?” എന്ന് പറയുന്നു ✗
1 ട്രാൻസ്ക്രിപ്റ്റ് + 1 LLM = തെറ്റായ മറുപടി
ThunderPhone · ഏകോപിപ്പിച്ചത്

നിരവധി പാതകൾ, ഏകോപിതമായ ഒരു മറുപടി.

വിളിക്കുന്നയാളുടെ ഓഡിയോ
“I rent.” · അവ്യക്തമായി പറഞ്ഞു
STT A
“I rent”
STT B
“I’m Brent”
ഓഡിയോ LLM
“I rent”
തെളിവായി മൂന്ന് ട്രാൻസ്ക്രിപ്റ്റുകളും + അസംസ്കൃത ഓഡിയോയും സൂക്ഷിക്കുന്നു
യുക്തിവിചാര ഘട്ടം
വേഗമേറിയതും ചിന്തിക്കുന്നതുമായ LLM-കൾ ടെക്സ്റ്റിലെയും ഓഡിയോയിലെയും തെളിവുകൾ വിലയിരുത്തുന്നു.
→ 3 പാതകളിൽ 2 എണ്ണം യോജിക്കുന്നു: “I rent”
മറുപടി നൽകുന്നതിന് മുമ്പ് ചിന്തിക്കുന്നതും വേഗമേറിയതുമായ LLM-കൾ പരസ്പരം പരിശോധിക്കുന്നു
TTS
തിരഞ്ഞെടുത്ത ശബ്ദങ്ങൾ അക്ഷരവിന്യാസങ്ങളിലും അക്ഷര-അക്ക സംയോജനങ്ങളിലും ഉണ്ടാകുന്ന ഹാലുസിനേഷനുകൾ കുറയ്ക്കുന്നു.
→ “മനസ്സിലായി — അപ്പോൾ നിങ്ങൾ വാടകയ്ക്ക് താമസിക്കുന്നു.” ✓
സങ്കീർണ്ണമായ വിശദാംശങ്ങൾ ആദ്യതവണ തന്നെ കൃത്യമായി കൈകാര്യം ചെയ്യുന്നു.
പ്രകടനത്തിന്റെ തെളിവ്

Storm Big Bench Audio-യിൽ ബുദ്ധിശേഷി റെക്കോർഡുകൾ സ്ഥാപിക്കുന്നു.

സംസാരിച്ച prompt-കൾ ഒരു മോഡലിന് മനസ്സിലാക്കാനും പ്രയാസകരമായ ചോദ്യങ്ങൾക്ക് ശരിയായി മറുപടി നൽകാനും കഴിയുമോ എന്ന് BBA പരിശോധിക്കുന്നു. ഞങ്ങളുടെ ഏറ്റവും ശക്തമായ Storm കോൺഫിഗറേഷൻ, ഞങ്ങളുടെ പൊതു മൂല്യനിർണയ സെറ്റിൽ 99.4% നേടുന്നു — 0.6% തെറ്റുകൾ, അടുത്ത മികച്ച പൊതു സ്കോറിനെക്കാൾ 4× കുറവ്.

മോഡൽ
തെറ്റുകളുടെ നിരക്ക്↓ കുറഞ്ഞത് മികച്ചത്
സ്കോർ
ThunderPhone Storm · Extra Intelligence4× കുറവ് തെറ്റുകൾ
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%
Hugging Face-ൽ BBA-Storm മൂല്യനിർണയ ഡാറ്റാസെറ്റ് കാണുക

തെറ്റുകളുടെ നിരക്ക് BBA വിജയനിരക്കിൽ നിന്ന് 100% കുറച്ചതാണ്. ThunderPhone-ന്റെ ഫലം മുകളിൽ ലിങ്ക് ചെയ്തിട്ടുള്ള ഞങ്ങളുടെ പൊതു മൂല്യനിർണയ ഡാറ്റാസെറ്റിൽ നിന്നുള്ളതാണ്; താരതമ്യത്തിനായി മറ്റ് പൊതു സ്കോറുകൾ (Artificial Analysis ലീഡർബോർഡ്) പട്ടികപ്പെടുത്തിയിട്ടുണ്ട്. ഫോൺ കോൾ പ്രകടനം BBA പൂർണമായി അളക്കില്ലെങ്കിലും, സംസാരിച്ച prompt-കളിൽ യുക്തിവിചാരം നടത്താനുള്ള പ്രയോജനകരമായ ഒരു സൂചനയാണിത്.

മുൻകൂട്ടി തീരുമാനിച്ച സമീപനം കോൺഫിഗറബിലിറ്റിയെ മറികടക്കുന്നു

നിങ്ങൾ ഒരു വോയ്‌സ് സ്റ്റാക്ക് സ്വയം കൂട്ടിച്ചേർക്കേണ്ടതില്ല.

Vapi, Retell, Pipecat, LiveKit പോലുള്ള മറ്റ് വോയ്‌സ് AI പ്ലാറ്റ്ഫോമുകൾ നിങ്ങളുടെ കോളുകൾ പ്രവർത്തിപ്പിക്കാൻ വിപുലമായ കോൺഫിഗറേഷൻ തീരുമാനങ്ങൾ എടുക്കാൻ നിങ്ങളെ നിർബന്ധിക്കുന്നു. ThunderPhone-ൽ, ട്യൂണിംഗ് ഞങ്ങളുടെ ജോലിയാണെന്നും നിങ്ങളുടെ കോളുകൾ സുഗമമായി പ്രവർത്തിപ്പിക്കാൻ നിങ്ങൾക്ക് കഴിയുന്നത്ര കുറഞ്ഞ ജോലി മാത്രം ചെയ്യേണ്ടി വരണമെന്നും ഞങ്ങൾ വിശ്വസിക്കുന്നു.

മറ്റ് വോയ്‌സ് AI പ്ലാറ്റ്ഫോമുകൾ · ട്യൂൺ ചെയ്യാനുള്ള നിരവധി നിയന്ത്രണങ്ങൾ
STT LLM TTS എൻഡ്‌പോയിന്റിംഗ് ശബ്ദനീക്കം തടസ്സപ്പെടുത്തലുകൾ ഫാൾബാക്കുകൾ ടൂൾ സ്കീമ ലേറ്റൻസി VAD
ഇതെല്ലാം ThunderPhone നിങ്ങൾക്കായി ക്രമീകരിക്കുന്നു
ThunderPhone · മൂന്ന് തീരുമാനങ്ങൾ
1
ഒരു ടിയർ തിരഞ്ഞെടുക്കുക
Spark, Bolt, അല്ലെങ്കിൽ Storm.
2
ഒരു ശബ്ദം തിരഞ്ഞെടുക്കുക
യഥാർത്ഥ കോളുകളിൽ തിരഞ്ഞെടുത്ത് പരീക്ഷിച്ചത്.
3
നിങ്ങളുടെ prompt എഴുതുക
പെരുമാറ്റം, നയം, ടൂളുകൾ — ലളിതമായ ഭാഷയിൽ.
മൂന്ന് തീരുമാനങ്ങൾ. അത്രയാണ് സജ്ജീകരണം — ഓർക്കസ്ട്രേഷൻ, ഫാൾബാക്കുകൾ, ട്യൂണിംഗ് എന്നിവ ബിൽറ്റ്-ഇൻ ആയി ലഭിക്കുന്നു.
ജോലിക്ക് ഏറ്റവും അനുയോജ്യമായ മോഡലുകൾ ഞങ്ങൾ തിരഞ്ഞെടുക്കുകയും അവയെ ഒരുമിച്ച് ചേർക്കുകയും ചെയ്യുന്നു. OpenAI, Anthropic, Google എന്നിവയുടെ മുൻനിര മോഡലുകൾ ഓപ്പൺ-സോഴ്‌സ് മോഡലുകൾക്കൊപ്പം പ്രവർത്തിക്കുന്നു — ഓരോ കോളിലും മികച്ച പ്രകടനവും വിലയും ലഭിക്കുന്നതിന് ഓർക്കസ്ട്രേറ്റ് ചെയ്യുന്നു, അതിനാൽ നിങ്ങൾ അതിനെക്കുറിച്ച് ആശങ്കപ്പെടേണ്ടതില്ല.
ഒറ്റ prompt, കുറഞ്ഞ ഗ്രാഫ് വ്യാപനം

ഒരു prompt, നോഡുകളുടെ ഗ്രാഫല്ല.

ദുർബലമായ സിസ്റ്റങ്ങൾക്കു സങ്കീർണ prompt-ുകൾ പിന്തുടരാനാകാത്തതിനാലാണ് ഫ്ലോ ബിൽഡറുകൾ ഉള്ളത്. സംഭാഷണത്തിലെ ഓരോ ഘട്ടവും നിങ്ങൾ കൈകൊണ്ട് നിർമ്മിച്ച് പരിപാലിക്കേണ്ട ഒരു നോഡാകുന്നു. ഒറ്റ prompt-ിൽ നിന്നുള്ള വിശദമായ നിർദേശങ്ങൾ Storm പിന്തുടരുന്നതിനാൽ, നോഡുകളെയും എഡ്ജുകളെയും കുറിച്ച് നിങ്ങൾക്ക് ആശങ്കപ്പെടേണ്ടതില്ല.

ഫ്ലോ-ബിൽഡർ പ്ലാറ്റ്ഫോമുകൾ

ഓരോ ബ്രാഞ്ചും കൈകൊണ്ട് വയർ ചെയ്യുക.

അഭിവാദ്യംprompt · ശബ്ദം
ഫോൺ ശേഖരിക്കുകprompt · വാലിഡേഷൻ
ഫോൺ സ്ഥിരീകരിക്കുകവീണ്ടും prompt ചെയ്യുക ×2
enroll()ടൂൾ · പുനഃശ്രമങ്ങൾ
എസ്കലേറ്റ് ചെയ്യുകമനുഷ്യനിലേക്ക്
ഫോൾബാക്ക്എല്ലാം കൈകാര്യം ചെയ്യുക
അസാധുവാണ് ×2പിശക്
ഒരു എൻറോൾമെന്റ് ഫ്ലോയ്ക്കായി ആറ് നോഡുകൾ — ഓരോന്നിനും സ്വന്തം prompt-ുകൾ, ടൂളുകൾ, ട്രാൻസിഷനുകൾ, പരാജയ കൈകാര്യം ചെയ്യൽ എന്നിവ.
ThunderPhone Storm

പെരുമാറ്റം ഒരിക്കൽ വിവരിക്കുക.

ബിഹേവിയർ prompt
കോളറെ അഭിവാദ്യം ചെയ്ത് അവരുടെ പേര്, ഫോൺ എന്നിവ ശേഖരിക്കുക.
എൻറോൾ ചെയ്യുന്നതിന് മുമ്പ് സമ്മതം സ്ഥിരീകരിക്കുക — നിർബന്ധമാണ്.
ബില്ലിംഗിനെക്കുറിച്ച് ചോദിച്ചാൽ, താഴെയുള്ള ബില്ലിംഗ് നയം പിന്തുടരുക.
എല്ലാ ഫീൽഡുകളും സ്ഥിരീകരിച്ചശേഷം മാത്രം enroll() വിളിക്കുക.
കോളർ ഒരു വ്യക്തിയെ ആവശ്യപ്പെട്ടാൽ, മനുഷ്യനിലേക്ക് കൈമാറുക.
സങ്കീർണ ബ്രാഞ്ചിംഗ് ഐച്ഛിക വാച്ച്‌ഡോഗുകൾ എളുപ്പമുള്ള ആവർത്തന മെച്ചപ്പെടുത്തൽ
എഴുതാനും പരീക്ഷിക്കാനും ആവർത്തിച്ച് മെച്ചപ്പെടുത്താനും ഒരു prompt — ബ്രാഞ്ചിംഗ് ഉൾപ്പെടെ.
എന്തുകൊണ്ട് ഇത് പ്രധാനമാണ്

പ്രൊഡക്ഷൻ കോളുകൾ സങ്കീർണ്ണമാണ്. ThunderPhone സജ്ജമാണ്.

അവ്യക്തമായ സംസാരം, പശ്ചാത്തല സംഭാഷണശബ്ദം, പേരുകളും നമ്പറുകളും, സമ്മിശ്ര ഭാഷകൾ — മറ്റ് സിസ്റ്റങ്ങളെ പരാജയപ്പെടുത്തുന്ന സാഹചര്യങ്ങൾക്കായാണ് ThunderPhone നിർമ്മിച്ചിരിക്കുന്നത്.

അവ്യക്തമായ സംസാരം

ഒരു ട്രാൻസ്‌ക്രിപ്റ്റിനെ മാത്രം വിശ്വസിക്കുന്നതിന് പകരം ഓഡിയോ, ടെക്സ്റ്റ് സിഗ്നലുകൾ താരതമ്യം ചെയ്യുക.

മോശം ഫോൺ ഓഡിയോ

നോയ്‌സ് തിരിച്ചറിയൽ, കുറയ്ക്കൽ മോഡലുകൾ സിഗ്നൽ വൃത്തിയാക്കുന്നു.

പശ്ചാത്തല സംഭാഷണം

സൈഡ് സംഭാഷണങ്ങൾ ഏജന്റിനെ തടസ്സപ്പെടുത്തുന്നതിന് മുമ്പ് തിരിച്ചറിയുക.

പേരുകളും വിലാസങ്ങളും

വ്യക്തിനാമങ്ങൾ, അക്ഷരവിന്യാസങ്ങൾ, നമ്പറുകൾ, തിരുത്തലുകൾ എന്നിവ പരസ്പരം പരിശോധിക്കുക.

മിശ്രഭാഷാ സംസാരം

ആവശ്യമായപ്പോൾ ബഹുഭാഷാ ഓഡിയോ, വോയ്‌സ് പാതകളിലൂടെ റൂട്ട് ചെയ്യുക.

ദൈർഘ്യമേറിയ prompt-കൾ

പെരുമാറ്റത്തെ ഒരു നിയമത്തിലേക്ക് ചുരുക്കാനാകാത്തപ്പോൾ കൂടുതൽ ശക്തമായ യുക്തിപരമായ പാതകൾ ഉപയോഗിക്കുക.

ലേറ്റൻസി, ഗുണമേന്മ, ചെലവ്

വേഗത്തിലുള്ള തെറ്റായ മറുപടി ഒരു മികച്ച കോൾ അല്ല.

ഫോൺ AI വേഗത്തിൽ മറുപടി നൽകേണ്ടതുണ്ട് — എന്നാൽ കൃത്യതയില്ലാത്ത വേഗത വേഗത്തിലുള്ള പിഴവുകൾ മാത്രമാണ് നൽകുന്നത്. വിശ്വസനീയമായി തുടരാൻ ഇന്നത്തെ LLM-കൾക്ക് ചിന്തിക്കാൻ ഒരു നിമിഷം വേണം, അതിനാൽ ഓരോ ടിയറിലും ThunderPhone ഇവ രണ്ടും സന്തുലിതമാക്കുന്നു.

Spark
~3s
ആദ്യ മറുപടിയിലേക്ക്
Bolt
~2s
ആദ്യ മറുപടിയിലേക്ക്
Storm
~2–3s
അംഗീകാരങ്ങളോടെ ~2s · ഇല്ലാതെ ~3s
അളക്കൽമറ്റു വെണ്ടർമാർ അനുയോജ്യമായ സാഹചര്യങ്ങളിൽ 500ms ലേറ്റൻസി അവകാശപ്പെടുന്നു, എന്നാൽ യഥാർത്ഥ കോളിൽ സാധാരണയായി ഏകദേശം 2s എടുക്കുന്നു.യഥാർത്ഥ സാഹചര്യങ്ങളിൽ ഞങ്ങൾ ഞങ്ങളുടെ ലേറ്റൻസി അളക്കുന്നു.
പ്രതിരോധശേഷിAI വെണ്ടർമാർക്ക് കോളുകൾ തടസ്സപ്പെടുത്താവുന്ന ലേറ്റൻസി വർധനകൾ ഉണ്ടാകാറുണ്ട്.ഇത് സംഭവിക്കുമ്പോൾ ThunderPhone-ന്റെ ഏകോപിത സ്റ്റാക്ക് വേഗമേറിയ ഓപ്ഷനുകളിലേക്ക് ഫെയിൽഓവർ ചെയ്യുന്നു.
വോയ്‌സ് AI-യുടെ തലമുറകൾ

വോയ്‌സ് AI-യുടെ അടുത്ത തലമുറ ഇവിടെയുണ്ട്

ഓട്ടോമേറ്റഡ് ഫോൺ കോളുകൾ ഇതുവരെ നിരാശാജനകമായ അനുഭവങ്ങളായിരുന്നു... ഇപ്പോൾ വരെ. സാങ്കേതികവിദ്യയുടെ ഓരോ തരംഗവും അനുഭവം മെച്ചപ്പെടുത്തി, എന്നാൽ അത് യഥാർഥത്തിൽ സുഗമമാകുന്ന നിലയിലെത്തിയിരുന്നില്ല. ThunderPhone-നൊപ്പം അത് മാറുന്നു.

1990s2010s20242026 · ഇപ്പോൾ
തലമുറ 1

IVR

സെയിൽസിന് ഒന്ന് അമർത്തുക, സപ്പോർട്ടിന് രണ്ട് അമർത്തുക. മെനുകൾക്ക് റൂട്ട് ചെയ്യാൻ മാത്രമേ കഴിയൂ.

തലമുറ 2

ഇന്റന്റ് ബോട്ടുകൾ

“സെയിൽസ്” അല്ലെങ്കിൽ “ബില്ലിംഗ്” എന്ന് പറഞ്ഞ്, സ്ലോട്ട് പാർസർ അത് പിടിക്കുമെന്ന് പ്രതീക്ഷിക്കുക.

തലമുറ 3

മൂന്ന്-ഘട്ട AI

ട്രാൻസ്ക്രൈബ് ചെയ്യുക, ഒരു വേഗത്തിലുള്ള LLM-നോട് ചോദിക്കുക, പിന്നെ സംസാരിക്കുക — ഓരോ ഘട്ടവും മുൻ ഘട്ടത്തെ ആശ്രയിക്കുന്നു.

തലമുറ 4

സംയോജിത AI

ഓഡിയോ, ടെക്സ്റ്റ്, റീസണിംഗ്, ടൂളുകൾ, ശബ്ദങ്ങൾ, ഗാർഡ്‌റെയിലുകൾ എന്നിവ ഒറ്റ സിസ്റ്റമായി.

മറ്റെല്ലാം തകരാറിലാക്കുന്ന കോളുകൾക്കായി നിർമ്മിച്ചത്

സംയോജിത സ്റ്റാക്ക് കാണൂ
നിങ്ങളുടെ ഏറ്റവും വെല്ലുവിളിയേറിയ കോളുകളിൽ.

പത്ത് മിനിറ്റിൽ ലൈവ്. മിനിറ്റിന് 2¢ മുതൽ.

ആരംഭിക്കുക