Spark
~3s
पहिल्या प्रतिसादापर्यंत
तंत्रज्ञान
3-टप्प्यांच्या पाइपलाइनच्या पलीकडे जा.
बहुतेक व्हॉइस AI प्लॅटफॉर्म 3-टप्प्यांच्या पाइपलाइनवर अवलंबून असतात: एक ट्रान्सक्रिप्शन मॉडेल, एक विचार न करणारे LLM, आणि एक टेक्स्ट-टू-स्पीच इंजिन. प्रत्येक टप्पा अपयशाचा एकच बिंदू असतो. ThunderPhone एकाच वेळी अनेक मॉडेल्सचे संयोजन करून चुका कमी करते.
कॉल करणाऱ्याने “I rent.” म्हटले
ASR A“I rent”
ASR B“I’m Brent”
ऑडिओ LLM“I rent”
“I rent” निश्चित केले 3 पैकी 2 मार्ग सहमत आहेत
एकात्मिक आर्किटेक्चर
अनेक प्रकारे ऐका, मग ताळमेळ घाला.
ThunderPhone एकाच वेळी अनेक मॉडेल्सचे ऑर्केस्ट्रेशन करते, ज्यामुळे ते एकमेकांच्या चुका दुरुस्त करू शकतात.
इतर प्लॅटफॉर्म · 3-टप्प्यांची पाइपलाइन
प्रत्येक टप्पा मागील टप्प्यावर विश्वास ठेवतो.
कॉल करणाऱ्याचा ऑडिओ
“I rent.” · पुटपुटलेले
STT A
“I’m Brent”
STT B
—
ऑडिओ LLM
—
एकमेव मॉडेल चुकीचे ऐकल्यास कोणताही बॅकअप नाही
LLM
वेगवान मॉडेलला फक्त ट्रान्सक्रिप्ट दिसते.
→ उत्तर देते “Hi, Brent — मी कशी मदत करू शकते?”
जलद LLM सूचनांचे पालन करताना चुका करतात
TTS
उत्तर मोठ्याने सांगितले जाते.
→ बोलते “Hi, Brent — मी कशी मदत करू शकते?” ✗
1 ट्रान्स्क्रिप्ट + 1 LLM = चुकीचे उत्तर
ThunderPhone · ऑर्केस्ट्रेटेड
अनेक मार्ग, एक समन्वित उत्तर.
कॉल करणाऱ्याचा ऑडिओ
“I rent.” · पुटपुटलेले
STT A
“I rent”
STT B
“I’m Brent”
ऑडिओ LLM
“I rent”
पुरावा म्हणून तीन ट्रान्सक्रिप्ट + मूळ ऑडिओ जतन केले जातात
रिझनिंग लेयर
जलद + थिंकिंग LLM मजकूर आणि ऑडिओ पुराव्यांचे मूल्यमापन करतात.
→ 3 पैकी 2 मार्ग सहमत आहेत: “I rent”
उत्तर देण्यापूर्वी थिंकिंग + जलद LLM एकमेकांची पडताळणी करतात
TTS
निवडक आवाज स्पेलिंग्ज आणि अल्फान्यूमेरिक्समधील हॅलुसिनेशन्स कमी करतात.
→ “समजले — म्हणजे तुम्ही भाड्याने राहता.” ✓
पहिल्याच वेळी जटिल तपशील अचूक समजतो.
कामगिरीचा पुरावा
Storm ने Big Bench Audio वर बुद्धिमत्तेचे विक्रम प्रस्थापित केले.
BBA मॉडेल बोललेले prompt समजू शकते का आणि कठीण प्रश्नांची अचूक उत्तरे देऊ शकते का, याची चाचणी करते. आमची सर्वात सक्षम Storm कॉन्फिगरेशन आमच्या सार्वजनिक मूल्यांकन संचावर 99.4% पर्यंत पोहोचते — 0.6% चुका, पुढील सर्वोत्तम सार्वजनिक स्कोअरपेक्षा 4× कमी.
मॉडेल
चूक दर↓ कमी असणे चांगले
गुण
ThunderPhone Storm · Extra Intelligence4× कमी चुका
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%
चूक दर म्हणजे BBA यश दरातून 100% वजा. ThunderPhone चा निकाल आमच्या वर लिंक केलेल्या सार्वजनिक मूल्यांकन डेटासेटमधून आहे; इतर सार्वजनिक स्कोअर (Artificial Analysis लीडरबोर्ड) संदर्भासाठी दिले आहेत. BBA फोन-कॉलची कामगिरी पूर्णपणे दर्शवत नाही, पण बोलल्या जाणाऱ्या promptवर तर्क करण्यासाठी तो एक उपयुक्त संकेत आहे.
कॉन्फिगर करण्यापेक्षा पूर्वनियोजित पर्याय सरस
तुम्हाला व्हॉइस स्टॅक स्वतः जोडण्याची गरज पडू नये.
Vapi, Retell, Pipecat आणि LiveKit सारखे इतर व्हॉइस AI प्लॅटफॉर्म्स तुमचे कॉल कार्यरत करण्यासाठी तुम्हाला विस्तृत कॉन्फिगरेशन निर्णय घ्यायला लावतात. ThunderPhone मध्ये, ट्यूनिंग हे आमचे काम आहे आणि तुमचे कॉल सुरळीत चालण्यासाठी तुम्हाला शक्य तितके कमी काम करावे लागावे, असा आमचा विश्वास आहे.
इतर व्हॉइस AI प्लॅटफॉर्म्स · ट्यून करण्यासाठी अनेक सेटिंग्ज
STT LLM TTS एंडपॉइंटिंग नॉइज काढणे व्यत्यय फॉलबॅक्स टूल स्कीमा लेटन्सी VAD
ThunderPhone हे सर्व तुमच्यासाठी ट्यून करते
ThunderPhone · तीन निर्णय
1
एक स्तर निवडा
Spark, Bolt किंवा Storm.
2
एक आवाज निवडा
निवडक, वास्तविक कॉल्सवर चाचणी केलेले.
3
तुमचा prompt लिहा
वर्तन, धोरण, साधने — साध्या भाषेत.
तीन निर्णय. एवढेच सेटअप — orchestration, fallbacks आणि tuning अंगभूत मिळतात.
आम्ही प्रत्येक कामासाठी सर्वोत्तम मॉडेल्स निवडून त्यांना एकत्र जोडतो. OpenAI, Anthropic आणि Google ची आघाडीची मॉडेल्स, ओपन-सोर्स मॉडेल्ससोबत काम करतात — प्रत्येक कॉलवर सर्वोत्तम कार्यक्षमता आणि किंमतीसाठी ऑर्केस्ट्रेट केलेली, त्यामुळे तुम्हाला त्याची चिंता करण्याची गरज नाही.
एकच prompt, कमी ग्राफ विस्तार
एक prompt, नोड्सचा ग्राफ नाही.
फ्लो बिल्डर्स अस्तित्वात आहेत कारण कमकुवत प्रणाली जटिल prompts पाळू शकत नाहीत. संभाषणातील प्रत्येक टप्पा असा नोड बनतो जो तुम्हाला हाताने तयार करावा आणि सांभाळावा लागतो. Storm एका prompt मधून सविस्तर सूचना पाळते, त्यामुळे तुम्हाला नोड्स आणि एजेसची चिंता करावी लागत नाही.
फ्लो-बिल्डर प्लॅटफॉर्म्सअवैध ×2त्रुटी
प्रत्येक शाखा हाताने जोडा.
अभिवादनprompt · आवाज
फोन नंबर घ्याprompt · पडताळणी
फोन नंबरची पुष्टी करापुन्हा prompt ×2
enroll()टूल · पुन्हा प्रयत्न
एस्कलेट करामानवी एजंटकडे
फॉलबॅकसर्वांसाठी पर्याय
एका नोंदणी फ्लोसाठी सहा नोड्स — प्रत्येकाचे स्वतःचे prompts, टूल्स, ट्रान्झिशन्स आणि अयशस्वी हाताळणी.
ThunderPhone Storm
वर्तनाचे वर्णन एकदाच करा.
वर्तन prompt
कॉलरचे नाव आणि फोन घ्या.
नोंदणी करण्यापूर्वी संमतीची पुष्टी करा — आवश्यक आहे.
त्यांनी बिलिंगबद्दल विचारल्यास, खालील बिलिंग धोरणाचे पालन करा.
प्रत्येक माहितीची पुष्टी झाल्यावरच enroll() ला कॉल करा.
कॉलरने एखाद्या व्यक्तीशी बोलण्याची विनंती केल्यास, मानवी एजंटकडे ट्रान्सफर करा.
नोंदणी करण्यापूर्वी संमतीची पुष्टी करा — आवश्यक आहे.
त्यांनी बिलिंगबद्दल विचारल्यास, खालील बिलिंग धोरणाचे पालन करा.
प्रत्येक माहितीची पुष्टी झाल्यावरच enroll() ला कॉल करा.
कॉलरने एखाद्या व्यक्तीशी बोलण्याची विनंती केल्यास, मानवी एजंटकडे ट्रान्सफर करा.
जटिल शाखाकरण ऐच्छिक वॉचडॉग्स सोपे पुनरावर्तन
लिहिण्यासाठी, चाचणी करण्यासाठी आणि पुनरावृत्ती करण्यासाठी एक prompt — शाखाकरणासह.
हे महत्त्वाचे का आहे
प्रॉडक्शन कॉल गुंतागुंतीचे असतात. ThunderPhone तयार आहे.
अस्पष्ट बोलणे, पार्श्वभूमीतील गोंधळ, नावे आणि अंक, मिश्र भाषा — इतर सिस्टीम्स जिथे अपयशी ठरतात अशा परिस्थितींसाठी ThunderPhone तयार केले आहे.
अस्पष्ट बोलणे
एका ट्रान्सक्रिप्टवर विश्वास ठेवण्याऐवजी ऑडिओ आणि टेक्स्ट सिग्नलची तुलना करा.
खराब फोन ऑडिओ
नॉइज ओळख आणि कमी करणारी मॉडेल्स सिग्नल स्वच्छ करतात.
पार्श्वभूमीतील बोलणे
साइड संभाषणे एजंटला भरकटवण्यापूर्वी ओळखा.
नावे आणि पत्ते
व्यक्तिनामे, स्पेलिंग, क्रमांक आणि दुरुस्त्या यांची पडताळणी करा.
मिश्र-भाषेतील बोलणे
गरजेनुसार बहुभाषिक ऑडिओ आणि व्हॉइस मार्गांद्वारे रूट करा.
लांब prompt
वर्तन एका नियमात बसत नसल्यास अधिक सक्षम तर्कमार्ग वापरा.
लेटन्सी, गुणवत्ता आणि खर्च
वेगवान चुकीचे उत्तर म्हणजे चांगला कॉल नव्हे.
फोन AI ने पटकन उत्तर द्यायला हवे — पण अचूकतेशिवाय वेग म्हणजे चुका फक्त जलद पोहोचवणे. विश्वासार्ह राहण्यासाठी आजच्या LLM ना विचार करण्यासाठी थोडा वेळ लागतो, म्हणून ThunderPhone प्रत्येक टियरनुसार या दोघांचा समतोल राखते.
Bolt
~2s
पहिल्या प्रतिसादापर्यंत
Storm
~2–3s
~2 सेकंद पुष्टीकरणांसह · पुष्टीकरणांशिवाय ~3 सेकंद
मोजमापइतर विक्रेते आदर्श परिस्थितींमध्ये 500ms लेटन्सीचा दावा करतात, पण वास्तविक कॉलवर ती सहसा सुमारे 2 सेकंद असते.आम्ही वास्तविक परिस्थितींमध्ये आमची लेटन्सी मोजतो.
लवचिकताAI विक्रेत्यांना लेटन्सी स्पाइक्स येतात, ज्यामुळे कॉल बिघडू शकतात.असे झाल्यास ThunderPhone चा संयोजित स्टॅक अधिक जलद पर्यायांवर स्विच होतो.
व्हॉइस AI च्या पिढ्या
व्हॉइस AI ची पुढील पिढी येथे आहे
स्वयंचलित फोन कॉल्स निराशाजनक अनुभव राहिले आहेत...आतापर्यंत. तंत्रज्ञानाच्या प्रत्येक लाटेने अनुभव सुधारला, पण अनुभव खऱ्या अर्थाने सुरळीत होईल इतका कधीच नाही. ThunderPhone मुळे ते बदलते.
1990s2010s20242026 · आता
पिढी 1
IVR
विक्रीसाठी एक दाबा, सपोर्टसाठी दोन दाबा. मेनू फक्त रूट करू शकतात.
पिढी 2
इंटेंट बॉट्स
“विक्री” किंवा “बिलिंग” म्हणा आणि स्लॉट पार्सर ते ओळखेल अशी आशा ठेवा.
पिढी 3
तीन-टप्प्यांचे AI
लिप्यंतरण करा, एक जलद LLM ला विचारा, मग बोला — प्रत्येक पायरी मागील पायरीवर विश्वास ठेवते.
पिढी 4
एकात्मिक AI
ऑडिओ, मजकूर, तर्कशक्ती, टूल्स, आवाज आणि गार्डरेल्स एकाच प्रणालीमध्ये.
इतर सर्व काही अडखळते अशा कॉल्ससाठी तयार केलेलेएकात्मिक स्टॅक पहा
एकात्मिक स्टॅक पहा
तुमच्या सर्वात कठीण कॉल्ससाठी.
दहा मिनिटांत लाइव्ह. 2 सेंट प्रति मिनिटपासून.