Поколения голосового ИИ
Большинство автоматизированных телефонных звонков ужасны. Новые технологии меняют это.
Старая проблема была не в том, что автоматизации звонков не хватало приятного голоса. Ей не хватало понимания, чтобы поддерживать настоящий разговор.
Телефонный звонок становится проще автоматизировать
С каждым поколением всё больше контекста переходит в систему.
Деревья телефонных меню
Эра IVR
Звонящий должен был говорить на языке машины.
Автоматизация означала меню, переходы по кнопкам и очереди. Она работала, когда звонящий уже знал правильный путь.
Неловкий момент
Намерение сводится к нажатию кнопки, поэтому всё, что не входит в меню, приводит к переводу на другого сотрудника или повторному объяснению.
Пример звонка
Эра IVR
Звонящий
"Мне нужно перенести завтрашнюю запись."
Система
"По вопросам оплаты нажмите 1. Чтобы записаться, нажмите 2. По всем остальным вопросам нажмите 9."
Результат
Звонящий пытается угадать, ждёт и снова объясняет одно и то же.
Как мыслит система
3 этапаГолосовое меню
исправленоФиксированный сценарий перечисляет варианты.
Ветка DTMF
нестабильноОдна кнопка определяет всё намерение.
Очередь
сбоиРеальный контекст появляется только с сотрудником.
Пользовательские модели
Ранний ИИ
Системы понимали узкие сценарии, а затем разваливались.
Команды обучали акустические модели, классификаторы намерений и извлечение слотов для конкретных сценариев звонков. Это полезно, но изменения обходятся дорого.
Неловкий момент
Система может распознать одно обученное намерение, а затем пропустить второй запрос или задать шаблонный уточняющий вопрос.
Пример звонка
Ранний ИИ
Звонящий
"Можете перенести завтрашнюю запись и добавить моего супруга?"
Система
"Я могу помочь перенести запись. На какую дату?"
Результат
Данные о супруге теряются, потому что их нет в обученном сценарии.
Как мыслит система
3 этапаПользовательское ASR
исправленоНастроено под конкретную сферу и сочетание акцентов.
Модель намерений
нестабильноКлассифицирует наиболее близкий известный запрос.
Заполнение слотов
сбоиОтсутствующие поля запускают предусмотренное сценарием уточнение.
Стеки в стиле Vapi / Retell / ElevenLabs
3-этапные конвейеры
Стек стал гибким, но каждый этап доверял предыдущему.
Распространённый современный подход объединяет распознавание речи, LLM и синтез речи в единый цикл звонка.
Неловкий момент
Если расшифровка неверна или звонящий перебивает, LLM уверенно отвечает не по теме звонка.
Пример звонка
3-этапные конвейеры
Звонящий
"Нет, я арендую жильё."
Система
"Здравствуйте, Ренат — чем могу помочь?"
Результат
Фраза «Я арендую» ошибочно распознаётся как имя «Ренат».
Как мыслит система
3 этапаРечь в текст
сбоиОдна расшифровка становится единственным источником истины.
LLM
нестабильноГенерирует на основе текста, а не исходного аудио.
Текст в речь
сбоиУверенно озвучивает ответ.
Интегрированный голосовой ИИ
ThunderPhone
Система слышит, рассуждает и исправляет ошибки в едином цикле.
ThunderPhone объединяет понимание аудио, маршрутизацию моделей, управление очередностью реплик и генерацию ответов в единую архитектуру.
Что меняется
Несколько каналов распознавания и анализ с учётом аудио снижают риск сбоев на одном этапе до того, как они затронут звонящего.
Пример звонка
ThunderPhone
Звонящий
"Нет, я арендую жильё."
Система
"Понял. Вы арендуете жильё, поэтому я пропущу вопросы о собственности."
Результат
Звонок продолжается без необходимости для звонящего бороться с системой.
Как мыслит система
4 этапаАудиопоток
проверкиИсходное аудио остаётся доступным для анализа.
Резервное распознавание
проверкиСигналы сопоставляются до выполнения действия.
Маршрутизация моделей
проверкиБыстрые и глубокие пути поочерёдно работают вместе.
Естественный ответ
проверкиЗвонящий слышит исправленный контекст.
К чему это приводит
Прорыв — не более приятный голос робота. Это архитектура, которая не даёт разговору сбиться с курса.
Лучшее распознавание
Система может сопоставлять сигналы и анализировать аудио, вместо того чтобы доверять одной расшифровке.
Лучший тайминг
Очередность реплик и обработка перебиваний — часть цикла разговора.
Лучшая маршрутизация
Быстрые сценарии и более глубокий анализ можно выбирать в зависимости от требований каждой реплики.
Лучший опыт
Звонящие тратят меньше времени на исправление автоматизации и больше — на выполнение задачи.