Генерације гласовне ВИ
Већина аутоматизованих телефонских позива је ужасна. Нова технологија то мења.
Стари проблем није био у томе што је телефонској аутоматизацији недостајао пријатан глас. Недостајало јој је довољно разумевања да би се прави разговор несметано одвијао.
Телефонски позив је све лакше аутоматизовати
Свака генерација преноси више контекста у систем.
Телефонска стабла
Ера ИВР-а
Позивалац је морао да говори језиком машине.
Аутоматизација је значила меније, гранање преко тастатуре и редове чекања. Функционисала је када је позивалац већ знао прави пут.
Незграпан тренутак
Намера се своди на притисак тастера, па све ван менија постаје преусмеравање или понављање.
Пример позива
Ера ИВР-а
Позивалац
"Треба да померим сутрашњи термин."
Систем
"За наплату притисните 1. За заказивање притисните 2. За сва остала питања притисните 9."
Резултат
Позивалац нагађа, чека и поново објашњава исту ствар.
Како систем размишља
3 фазаУпит менија
исправљеноФиксна скрипта наводи опције.
ДТМФ грана
нестабилноЈедан тастер постаје цела намера.
Ред чекања
грешкеСтварни контекст стиже са човеком.
Прилагођени модели
Рани ИИ
Системи су разумели уске сценарије, а затим се распадали.
Тимови су обучавали акустичке моделе, класификаторе намера и екстракторе поља за одређене токове позива. Корисно, али скупо за измене.
Незграпан тренутак
Систем може да препозна једну обучену намеру, а затим да занемари други захтев или постави круто додатно питање.
Пример позива
Рани ИИ
Позивалац
"Можете ли да померите сутрашњи термин и додате мог супружника?"
Систем
"Могу да помогнем око померања термина. Који датум желите?"
Резултат
Податак о супружнику се губи јер није у обученом току.
Како систем размишља
3 фазаПрилагођени АСР
исправљеноПрилагођен домену и комбинацији акцената.
Модел намера
нестабилноКласификује најближи познати захтев.
Попуњавање поља
грешкеНедостајућа поља покрећу скриптовану исправку.
Скупови технологија у стилу Vapi / Retell / ElevenLabs
Процеси у 3 корака
Скуп технологија је постао флексибилан, али сваки корак је веровао претходном.
Уобичајен савремени образац повезује говор у текст, LLM и текст у говор у један ток позива.
Незграпан тренутак
Када је транскрипт погрешан или позивалац прекине, LLM самоуверено одговара на погрешан позив.
Пример позива
Процеси у 3 корака
Позивалац
"Не, изнајмљујем стан."
Систем
"Разумем, у питању је имање са ранчем. Да ли је то тачно?"
Резултат
Једна грешка у слушању претвара се у изговорену грешку.
Како систем размишља
3 фазаГовор у текст
грешкеЈедан транскрипт постаје једини извор истине.
LLM
нестабилноГенерише из текста, а не из оригиналног звука.
Текст у говор
грешкеСамоуверено изговара одговор.
Интегрисана гласовна ВИ
ThunderPhone
Систем може да чује, расуђује и опорави се у једном току.
ThunderPhone обједињује разумевање звука, усмеравање модела, смену говорних потеза и генерисање одговора у јединствену архитектуру.
Шта се мења
Више путања слушања и расуђивање које разуме звук смањују грешке у једном кораку пре него што стигну до позиваоца.
Пример позива
ThunderPhone
Позивалац
"Не, изнајмљујем стан."
Систем
"Разумем. Изнајмљујете свој дом, па ћу прескочити питања о власништву."
Резултат
Позив напредује без приморавања позиваоца да се бори са системом.
Како систем размишља
4 фазаАудио-ток
провереСирови звук остаје доступан за расуђивање.
Редундантно слушање
провереСигнали се упоређују пре деловања.
Усмеравање модела
провереБрзе и дубље путање сарађују наизменично.
Природан одговор
провереПозивалац чује исправљени контекст.
Где ово води
Пробој није лепши роботски глас. То је архитектура која одржава позив на правом путу.
Боље слушање
Систем може да упоређује сигнале и закључује на основу звука, уместо да се ослања на један транскрипт.
Бољи тајминг
Преузимање реда за говор и обрада прекидања део су тока разговора.
Боље усмеравање
Брзе путање и дубље закључивање могу се бирати према потребама сваког корака у разговору.
Боље искуство
Позиваоци троше мање времена на исправљање аутоматизације, а више на завршавање задатка.