Generacje głosowej AI
Większość zautomatyzowanych rozmów telefonicznych jest kiepska. Nowa technologia to zmienia.
Stary problem nie polegał na tym, że automatyzacji telefonicznej brakowało przyjemnego głosu. Brakowało jej wystarczającego zrozumienia, by prowadzić prawdziwą rozmowę.
Rozmowę telefoniczną łatwiej zautomatyzować
Każda generacja przenosi więcej kontekstu do maszyny.
Drzewa telefoniczne
Era IVR
Rozmówca musiał mówić językiem maszyny.
Automatyzacja oznaczała menu, wybory z klawiatury i kolejki. Działała, gdy rozmówca już znał właściwą ścieżkę.
Niezręczny moment
Intencja zostaje sprowadzona do naciśnięcia przycisku, więc wszystko poza menu kończy się przekierowaniem lub powtórzeniem.
Przykładowa rozmowa
Era IVR
Rozmówca
"Muszę przełożyć jutrzejszą wizytę."
System
"W sprawach rozliczeń naciśnij 1. Aby umówić wizytę, naciśnij 2. W przypadku wszystkich pozostałych pytań naciśnij 9."
Rezultat
Rozmówca zgaduje, czeka i ponownie wyjaśnia to samo.
Jak myśli system
3 etapówKomunikat menu
naprawioneStały skrypt przedstawia dostępne opcje.
Gałąź DTMF
niestabilneJeden przycisk określa całą intencję.
Kolejka
awariePrawdziwy kontekst pojawia się dopiero przy rozmowie z człowiekiem.
Niestandardowe modele
Wczesna AI
Systemy rozumiały wąskie scenariusze, a potem się rozpadały.
Zespoły trenowały modele akustyczne, klasyfikatory intencji i ekstraktory pól dla konkretnych scenariuszy rozmów. Przydatne, ale kosztowne w zmianie.
Niezręczny moment
System potrafi rozpoznać jedną wytrenowaną intencję, a następnie pominąć drugą prośbę lub zadać sztywne pytanie uzupełniające.
Przykładowa rozmowa
Wczesna AI
Rozmówca
"Czy możesz przełożyć jutrzejszą wizytę i dodać mojego współmałżonka?"
System
"Mogę pomóc w przełożeniu wizyty. Jaki termin wybierasz?"
Rezultat
Informacja o współmałżonku zostaje pominięta, ponieważ nie ma jej w wytrenowanym scenariuszu.
Jak myśli system
3 etapówNiestandardowy ASR
naprawioneDostosowany do danej branży i różnych akcentów.
Model intencji
niestabilneKlasyfikuje najbliższą znaną prośbę.
Wypełnianie pól
awarieBrakujące pola uruchamiają skryptowane uzupełnienie.
Stosy w stylu Vapi / Retell / ElevenLabs
Procesy 3-etapowe
Stos stał się elastyczny, ale każdy etap ufał poprzedniemu.
Typowy nowoczesny wzorzec łączy rozpoznawanie mowy, LLM i syntezę mowy w jedną pętlę rozmowy.
Niezręczny moment
Gdy transkrypcja jest błędna lub rozmówca przerywa, LLM z przekonaniem odpowiada na niewłaściwe zgłoszenie.
Przykładowa rozmowa
Procesy 3-etapowe
Rozmówca
"Nie, „I rent the place.”"
System
"Rozumiem, to nieruchomość ranczerska. Czy tak?"
Rezultat
Pojedynczy błąd rozpoznania zamienia się w błąd w wypowiedzi.
Jak myśli system
3 etapówMowa na tekst
awarieJedna transkrypcja staje się źródłem prawdy.
LLM
niestabilneGeneruje na podstawie tekstu, a nie oryginalnego dźwięku.
Tekst na mowę
awariePewnie wypowiada odpowiedź.
Zintegrowana głosowa AI
ThunderPhone
System może słuchać, rozumować i korygować się w jednej pętli.
ThunderPhone koordynuje rozumienie dźwięku, routing modeli, zmianę tur i generowanie odpowiedzi jako jedną architekturę.
Co się zmienia
Wiele ścieżek nasłuchiwania i rozumowanie uwzględniające dźwięk ograniczają błędy pojedynczego etapu, zanim dotrą do rozmówcy.
Przykładowa rozmowa
ThunderPhone
Rozmówca
"Nie, „I rent the place.”"
System
"Rozumiem. Wynajmujesz swój dom, więc pominę pytania o własność."
Rezultat
Rozmowa toczy się dalej, bez zmuszania rozmówcy do walki z systemem.
Jak myśli system
4 etapówStrumień audio
kontroleSurowy dźwięk pozostaje dostępny do rozumowania.
Nadmiarowe rozpoznawanie
kontroleSygnały są porównywane przed podjęciem działania.
Routing modeli
kontroleSzybkie i bardziej zaawansowane ścieżki współpracują na zmianę.
Naturalna odpowiedź
kontroleRozmówca słyszy poprawiony kontekst.
Co to daje
Przełomem nie jest ładniejszy głos robota. Jest nim architektura, która utrzymuje rozmowę na właściwym torze.
Lepsze rozumienie
System może porównywać sygnały i analizować dźwięk, zamiast ufać jednemu transkryptowi.
Lepsze wyczucie czasu
Naprzemienność wypowiedzi i obsługa przerwań są częścią pętli rozmowy.
Lepsze przekierowywanie
Szybkie ścieżki i bardziej pogłębione rozumowanie można dobierać do potrzeb każdej wymiany.
Lepsze doświadczenie
Rozmówcy poświęcają mniej czasu na poprawianie automatyzacji, a więcej na wykonanie zadania.