ประกาศเปิดตัว ThunderPhone

วันนี้ เราภูมิใจที่จะประกาศเปิดตัว ThunderPhone สู่สาธารณะ ซึ่งทำให้การทำงานอัตโนมัติสำหรับการโทรศัพท์ด้วย AI เป็นเรื่องง่าย ด้วยสถาปัตยกรรมแบบบูรณาการที่แตกต่างจากแพลตฟอร์ม AI สำหรับโทรศัพท์อื่นโดยสิ้นเชิง ThunderPhone จึงมอบประสิทธิภาพที่สูงกว่า ต้นทุนที่ต่ำกว่า และปัญหาจากการผสานรวมน้อยกว่า ThunderPhone รองรับสายเรียกเข้าและสายโทรออกในหลายสิบภาษา และสอดคล้องตาม HIPAA และ GDPR

ข้อได้เปรียบของการบูรณาการ

แพลตฟอร์ม AI สำหรับโทรศัพท์อื่นจำกัดประสิทธิภาพของระบบด้วยการบังคับให้ระบบมีโครงสร้าง 3 ขั้นตอน:

1. โมเดลถอดเสียงหนึ่งตัว ซึ่งแปลงเสียงของผู้ใช้เป็นข้อความ
2. LLM หนึ่งตัว ซึ่งประมวลผลข้อความของผู้ใช้และสร้างคำตอบ
3. โมเดล TTS หนึ่งตัว ซึ่งแปลงข้อความคำตอบกลับเป็นเสียง

ส่วนใหญ่ยังผลักภาระงานวิศวกรรมไปให้ผู้ใช้ ด้วยการบังคับให้ผู้ใช้เลือกโมเดลที่ต้องการใช้ รวมถึงตัวเลือกการกำหนดค่า เช่น พารามิเตอร์การลดเสียงรบกวนและการตอบสนอง

เราเลือกแนวทางที่แตกต่าง: เรากำหนดสแตกที่เราเห็นว่าดีที่สุดเท่าที่เป็นไปได้ด้วยโมเดลในปัจจุบัน และทำให้พร้อมใช้งานโดยไม่ต้องใช้ความพยายามในการกำหนดค่าที่ซับซ้อน ระบบของเราใช้โมเดลหลายตัวพร้อมกัน โดยกำหนดเส้นทางระหว่างโมเดลเหล่านั้นอย่างชาญฉลาดตามลำดับของการสนทนา ซึ่งรวมถึง:

• การรวมโมเดลถอดเสียงหลายตัว บางตัวเร็วกว่า บางตัวแม่นยำกว่า เพื่อสร้างสมดุลระหว่างความเร็วและความแม่นยำ และชดเชยข้อผิดพลาดของกันและกัน
• การรวม LLM ที่รับข้อมูลเสียง ซึ่งอาจมีความฉลาดโดยรวมต่ำกว่าแต่เข้าใจเสียงได้ดีกว่า เข้ากับ LLM ที่รับเฉพาะข้อความ ซึ่งอาจผิดพลาดจากบทถอดเสียงที่ไม่แม่นยำแต่มักฉลาดกว่า
• การรวม LLM ที่เร็วแต่ไม่ฉลาด ซึ่งสร้างคำตอบได้รวดเร็ว เข้ากับ LLM ที่ฉลาดกว่ามากแต่ช้ากว่า ซึ่งสามารถทำงานเบื้องหลังและตรวจสอบให้แน่ใจว่า AI ทำตามพรอมป์ต์และตอบสิ่งที่ผู้ใช้พูดได้อย่างถูกต้อง
• การรวมโมเดลเชิงพาณิชย์จากผู้ให้บริการชั้นนำ รวมถึง OpenAI และ Google ซึ่งมอบความฉลาดสูงสุดที่มีอยู่ในปัจจุบัน เข้ากับโมเดลโอเพนซอร์สหลากหลายประเภท ซึ่งมักให้ความเร็วที่ดีกว่าด้วยต้นทุนที่ต่ำกว่า
• การใช้หลายโมเดลพร้อมกันเพื่อจัดประเภทและกำจัดเสียงรบกวนพื้นหลัง บทสนทนาด้านข้าง และเสียงรบกวนอื่นที่รบกวนสมาธิ ซึ่งอาจทำให้การสนทนาหลุดประเด็นได้

องค์ประกอบเหล่านี้และอื่น ๆ ได้รับการประสานงานในรูปแบบที่แตกต่างกันในบริการทั้งสามระดับของเรา ได้แก่ Spark, Bolt และ Storm โดยปรับ Spark ให้เหมาะกับต้นทุน Bolt ให้เหมาะกับความเร็ว และ Storm ให้เหมาะกับความฉลาด พร้อมลดข้อด้อยของแต่ละระดับให้มากที่สุดเท่าที่ทำได้ ทั้งสามระบบมีข้อดีร่วมกัน เช่น ความเข้าใจสิ่งที่ผู้ใช้พูดได้อย่างแม่นยำอย่างยิ่ง แม้จะมีชื่อเฉพาะและการสะกดคำ

เราพบว่าสถาปัตยกรรมแบบบูรณาการอย่างแน่นแฟ้นนี้ทำให้ระบบของเรามีประสิทธิภาพสูงกว่ามากด้วยต้นทุนที่ต่ำกว่าแนวทาง 3 ขั้นตอนแบบตายตัวที่ผู้ให้บริการรายอื่นนำเสนอ สอดคล้องกับทฤษฎีความเป็นโมดูลาร์ของเคลย์ คริสเตนเซน AI ด้านเสียงยังอยู่ในระยะเริ่มต้น และการเพิ่มประสิทธิภาพสูงสุดด้วยสถาปัตยกรรมแบบบูรณาการยังมีคุณค่ามากกว่าการเพิ่มความสามารถในการปรับแต่งสูงสุดด้วยสถาปัตยกรรมแบบโมดูลาร์

การตัดสินใจที่ปรับให้เหมาะสม

ในด้านการปรับแต่ง เราไม่สนับสนุนสิ่งนี้! แพลตฟอร์ม AI สำหรับโทรศัพท์ส่วนใหญ่ในปัจจุบันบังคับให้ผู้ใช้ต้องเลือกตัวเลือกไม่รู้จบ ตั้งแต่โมเดลที่ใช้แบบเจาะจง ไปจนถึงพารามิเตอร์ละเอียดมาก เช่น AI จะขัดจังหวะผู้ใช้ได้เร็วเพียงใด

ในความเห็นของเรา การปรับตัวเลือกเหล่านี้เบื้องหลังให้เหมาะสมเป็นหน้าที่ ของเรา เพื่อให้ผู้ใช้ ThunderPhone มุ่งเน้นกับสิ่งที่ตนทำได้ดี และไม่ต้องกังวลกับการกำหนดค่า AI เสียงอย่างละเอียด เรามองตัวเองว่าเป็น Squarespace ในรูปแบบหนึ่ง ที่ช่วยให้ผู้ใช้ตั้งค่าเอเจนต์เสียงด้วยประสิทธิภาพสูงสุดเท่าที่โมเดลในปัจจุบันทำได้ โดยไม่ต้องลงแรงเอง

ใช้งานง่าย

ThunderPhone ยังใช้งานง่ายอย่างมาก ไม่ว่าคุณจะตั้งค่าเอเจนต์เสียงใหม่ ย้ายมาจากแพลตฟอร์มอื่น หรือย้ายมาจากสแตกที่สร้างขึ้นเอง สิ่งที่จำเป็นสำหรับการตั้งค่าเอเจนต์เสียงบน ThunderPhone มีเพียง:

1. ตัดสินใจว่าต้องการใช้ Spark, Bolt หรือ Storm
2. เลือกเสียง
3. ส่งพรอมต์ของคุณให้เรา ไม่จำเป็นต้องใช้เอเจนต์แบบหลายพรอมต์ หากพรอมต์ของคุณซับซ้อนเกินไปสำหรับ Spark หรือ Bolt ให้อัปเกรดเป็น Storm ซึ่งรองรับกรณีใช้งานที่ซับซ้อนได้ด้วยพรอมต์เดียว
4. เชื่อมต่อการผสานรวมซอฟต์แวร์ (ปลายทางใดก็ได้ หรือการผสานรวม n8n แบบเนทีฟ) ด้วยวิซาร์ดที่ใช้งานง่ายอย่างมาก
5. เชื่อมต่อ VoIP ของคุณด้วยวิซาร์ดที่ใช้งานง่ายอย่างมาก

โดยทั่วไปทั้งหมดนี้ใช้เวลา 10 นาทีหรือน้อยกว่า

ThunderPhone ปฏิบัติตาม HIPAA และ GDPR และเราจะลงนามและจัดเตรียม BAA และ DPA เมื่อมีคำขอ

เรื่องราวของเรา

เราเป็นทีมศิษย์เก่าจาก Stanford AI Lab และ Y Combinator ที่ทำงานด้าน AI เสียงมาตั้งแต่ปี 2024 เดิมทีเรามุ่งเน้นที่ Flux Interpreting ซึ่งแปลสายโทรศัพท์ระหว่างภาษา แต่หลังจากลูกค้าขอให้เราทำให้สายโทรศัพท์สำหรับธุรกิจของพวกเขาเป็นอัตโนมัติซ้ำแล้วซ้ำเล่า แทนที่จะแค่แปลสาย เราจึงเปลี่ยนมาโฟกัสกับสิ่งที่ปัจจุบันคือ ThunderPhone

ปัญหาของแพลตฟอร์มที่มีอยู่

ในช่วงแรก เราเริ่มจากการสร้างเอเจนต์โทรศัพท์ให้ลูกค้าบนแพลตฟอร์ม AI โทรศัพท์ของบริษัทอื่น เราทดสอบแพลตฟอร์ม AI โทรศัพท์แทบทุกเจ้าที่มีในตลาด แต่พบว่ายังขาดความสามารถในหลายด้าน โดยเฉพาะเรื่องต่อไปนี้:

• การเข้าใจเสียง: ข้อจำกัดจากการมีโมเดลถอดเสียงเพียงโมเดลเดียวเพื่อแปลงเสียงของผู้ใช้เป็นข้อความ ทำให้ AI มัก “ฟังผิด” โดยเฉพาะชื่อเฉพาะ คำที่ไม่ค่อยพบ และการสะกดคำ
• การทำตามคำสั่ง: การใช้ LLM ที่รวดเร็วเพียงตัวเดียวทำหน้าที่เป็น “สมอง” เบื้องหลังการโทร ทำให้ AI มักทำตามคำสั่งได้ไม่ถูกต้องและหลุดออกนอกแนวทาง
• การเชื่อมต่อระบบที่ยุ่งยาก: แพลตฟอร์มที่เราลองทำให้การเชื่อมต่อกับซอฟต์แวร์ภายนอกเป็นเรื่องยากมาก โดยทั่วไปเราต้องพิมพ์การตั้งค่า JSON จำนวนมากสำหรับการเรียกใช้เครื่องมือ และลองปรับแก้ซ้ำแล้วซ้ำเล่าโดยแทบไม่ได้รับข้อมูลตอบกลับ จนกระทั่งมันเริ่มทำงานขึ้นมาเอง
• ราคา: แพลตฟอร์มที่มีอยู่โดยทั่วไปคิดราคาแพงลิบลิ่ว: มักอยู่ที่ 10 เซ็นต์ต่อนาทีหรือมากกว่านั้น สำหรับประสิทธิภาพที่ธรรมดา

สร้างสแตกของเราเอง

เมื่อเราเซ็นสัญญาเพื่อนำกรณีใช้งานการโทรเพื่อการขายไปใช้ให้กับลูกค้าองค์กร เราจำเป็นต้องสร้างสแตกแบบกำหนดเองของเราเองเพื่อตอบสนองความต้องการของพวกเขา กรณีใช้งานนี้มีความท้าทายสูง: ต่างจากฝ่ายสนับสนุนลูกค้าที่ผู้โทรมักอยู่ในสถานะต้องพึ่งพาธุรกิจ ผู้โทรด้านการขายพร้อมวางสายอย่างรวดเร็ว

คุณภาพการโทรต้องยอดเยี่ยมเพื่อปิดการขายแทนที่จะเสียลีดไป ซึ่งหมายถึงการต้องจัดการชื่อเฉพาะและการสะกดคำจำนวนมาก รวมถึงชื่อและที่อยู่ ที่โมเดลถอดเสียงมาตรฐานมักทำได้ไม่ถูกต้อง เพื่อให้กรณีใช้งานนี้ทำงานได้อย่างสมบูรณ์ เราจึงสร้างสิ่งที่ปัจจุบันคือ ThunderPhone

ระหว่างทาง เราได้พบผู้คนในชุมชน AI เสียงของ San Francisco อยู่เสมอ ซึ่งกำลังสร้างบริษัทเอเจนต์โทรศัพท์สำหรับอุตสาหกรรมเฉพาะทาง ไม่ว่าจะเป็นสัตวแพทย์ คนขับรถบรรทุก และอื่น ๆ น่าแปลกที่คนส่วนใหญ่มีความเห็นเหมือนกัน: แพลตฟอร์มที่มีอยู่ดีพอสำหรับเดโม แต่ยังไม่ดีพอสำหรับการใช้งานจริง

น่าตกใจที่เพื่อนของเราจำนวนมาก หากไม่ใช่ส่วนใหญ่ ที่อยู่ในบริษัท AI เสียงสำหรับอุตสาหกรรมเฉพาะทาง กำลัง “สร้างสแตกเอง”... สำหรับเราแล้วเรื่องนี้ไม่มีเหตุผลเลย — มันเทียบได้กับการที่สตาร์ทอัปเว็บในยุค 90 ต้องโฮสต์เว็บเซิร์ฟเวอร์ของตัวเองไว้บนเซิร์ฟเวอร์ในตู้เสื้อผ้า

ด้วยความเข้าใจนี้ เราจึงตระหนักว่าถึงเวลาที่จะเปลี่ยนระบบ AI โทรศัพท์ของเราให้เป็นแพลตฟอร์มที่ทุกคนสามารถใช้ได้

บริษัท AI เสียงสำหรับอุตสาหกรรมเฉพาะทางและที่ปรึกษาควรสามารถมุ่งเน้นไปที่การตอบสนองความต้องการของตลาดเป้าหมายด้วยความเชี่ยวชาญเฉพาะอุตสาหกรรมของตน — ไม่ใช่กับการออกแบบวิศวกรรม AI และเทคโนโลยีโทรศัพท์เบื้องหลังอย่างซับซ้อน! นี่คือสิ่งที่เราเปิดตัวในวันนี้ด้วย ThunderPhone

เส้นทางมาถึงจุดนี้ยาวนานมาก! เราขออภัยทุกคนที่สมัครใช้งานกับเราตั้งแต่เดือนเมษายนปีที่แล้วและยังรอสิทธิ์เข้าถึงอยู่: สิ่งที่เราคิดว่าจะเป็นการเร่งทำงานระยะสั้นเพื่อปิดงาน กลับกลายเป็นการเดินทางหลายเดือนเพื่อค้นหาวิธีผสานโมเดลที่มีอยู่ในปัจจุบันให้เป็นระบบที่แข็งแกร่งที่สุดเท่าที่จะทำได้

แต่ตอนนี้เราเปิดใช้งานแล้วในที่สุด — ลองใช้แล้วดูว่าคุณคิดอย่างไร!

แม้เราจะแก้ปัญหาหลัก ๆ ไปแล้ว แต่ระบบย่อมยังมีบั๊กอยู่บ้าง หากคุณพบปัญหา โปรดส่งอีเมลมาที่ alex@thunderphone.com แล้วฉันจะดูแลให้แก้ไขโดยเร็วที่สุด นอกจากนี้ โปรดแจ้งให้เราทราบหากคุณมีคำขอฟีเจอร์ และเราจะทำให้เกิดขึ้นโดยเร็วที่สุดเช่นกัน

และหากคุณมีความต้องการแบบกำหนดเองเพิ่มเติม เช่น การสนับสนุนด้านการนำไปใช้และการเชื่อมต่อระบบแบบกำหนดเอง การปฏิบัติตามข้อกำหนดที่มากกว่า HIPAA และ GDPR ทั่วไป SLA และคำขอฟีเจอร์แบบกำหนดเอง เรายินดีพูดคุยเกี่ยวกับข้อตกลงสำหรับองค์กร ติดต่อเราที่ alex@thunderphone.com แล้วเราจะพูดคุยถึงความต้องการของคุณและดูว่าเราสามารถช่วยได้หรือไม่

และในภาพรวม: สิ่งที่เรามุ่งมั่นต่อคุณคือ การทำให้ ThunderPhone พร้อมใช้งานทันทีด้วยความพยายามจากคุณให้น้อยที่สุด และจัดการสายธุรกิจของคุณได้อย่างสมบูรณ์ที่สุดเท่าที่ AI ในปัจจุบันจะทำได้ ภายใต้ขีดจำกัดของระดับราคาที่คุณเลือก ไม่ว่าจะเป็น Spark, Bolt หรือ Storm ลองใช้เรา แล้วเราตื่นเต้นที่จะได้แสดงให้คุณเห็นว่า ThunderPhone ทำอะไรได้บ้าง

บอกเราว่าคุณคิดอย่างไร และขอบคุณสำหรับการสนับสนุน!