ยุคสมัยของ AI เสียง
สายโทรศัพท์อัตโนมัติส่วนใหญ่แย่มากเทคโนโลยีใหม่เปลี่ยนสิ่งนั้น
ปัญหาเดิมไม่ใช่ระบบโทรศัพท์อัตโนมัติไม่มีเสียงที่ฟังรื่นหู แต่คือระบบเข้าใจไม่มากพอที่จะทำให้บทสนทนาจริงดำเนินต่อไปได้
การโทรศัพท์ทำให้เป็นระบบอัตโนมัติได้ง่ายขึ้น
แต่ละยุคส่งบริบทเข้าสู่ระบบมากขึ้น
ระบบเมนูโทรศัพท์แบบลำดับชั้น
ยุค IVR
ผู้โทรต้องพูดแบบเครื่องจักร
ระบบอัตโนมัติหมายถึงเมนู ทางเลือกจากแป้นกด และคิว ซึ่งใช้งานได้เมื่อผู้โทรรู้เส้นทางที่ถูกต้องอยู่แล้ว
ช่วงเวลาที่ติดขัด
เจตนาถูกย่อให้เหลือการกดปุ่ม ดังนั้นทุกอย่างที่อยู่นอกเมนูจึงกลายเป็นการโอนสายหรือการพูดซ้ำ
ตัวอย่างการโทร
ยุค IVR
ผู้โทร
"ฉันต้องการเลื่อนนัดพรุ่งนี้"
ระบบ
"สำหรับการเรียกเก็บเงิน กด 1 สำหรับการนัดหมาย กด 2 สำหรับคำถามอื่นทั้งหมด กด 9"
ผลลัพธ์
ผู้โทรต้องเดา รอ และอธิบายเรื่องเดิมซ้ำอีกครั้ง
ระบบคิดอย่างไร
3 ขั้นตอนข้อความเมนู
แก้ไขแล้วสคริปต์ตายตัวแสดงรายการตัวเลือก
เส้นทาง DTMF
ไม่เสถียรปุ่มเดียวกลายเป็นเจตนาทั้งหมด
คิว
ขัดข้องบริบทจริงจะมาพร้อมกับมนุษย์
โมเดลแบบกำหนดเอง
AI ยุคแรก
ระบบเข้าใจได้เฉพาะขอบเขตแคบ ๆ แล้วก็ไปต่อไม่ได้
ทีมต่าง ๆ ฝึกโมเดลเสียง ตัวแยกประเภทเจตนา และตัวดึงข้อมูลช่องสำหรับขั้นตอนการโทรเฉพาะทาง มีประโยชน์ แต่ปรับเปลี่ยนได้มีต้นทุนสูง
ช่วงเวลาที่ติดขัด
ระบบจับเจตนาที่ฝึกไว้ได้หนึ่งอย่าง จากนั้นอาจตกหล่นคำขอที่สองหรือถามคำถามติดตามแบบตายตัว
ตัวอย่างการโทร
AI ยุคแรก
ผู้โทร
"ช่วยเลื่อนนัดพรุ่งนี้และเพิ่มคู่สมรสของฉันได้ไหม"
ระบบ
"ฉันช่วยเลื่อนนัดได้ คุณต้องการวันที่เท่าไร"
ผลลัพธ์
รายละเอียดเรื่องคู่สมรสสูญหาย เพราะไม่มีอยู่ในขั้นตอนที่ฝึกไว้
ระบบคิดอย่างไร
3 ขั้นตอนASR แบบกำหนดเอง
แก้ไขแล้วปรับให้เหมาะกับโดเมนและชุดสำเนียง
โมเดลเจตนา
ไม่เสถียรจัดประเภทคำขอที่ใกล้เคียงกับที่รู้จักที่สุด
การเติมช่องข้อมูล
ขัดข้องข้อมูลที่ขาดจะกระตุ้นการแก้ไขตามสคริปต์
สแตกแบบ Vapi / Retell / ElevenLabs
ไปป์ไลน์ 3 ขั้นตอน
ระบบมีความยืดหยุ่นขึ้น แต่แต่ละขั้นตอนเชื่อถือขั้นตอนก่อนหน้า
รูปแบบสมัยใหม่ที่พบได้ทั่วไปเชื่อมเสียงเป็นข้อความ LLM และข้อความเป็นเสียงเข้ากับวงจรการโทรเดียว
ช่วงเวลาที่ติดขัด
เมื่อข้อความถอดเสียงผิดหรือผู้โทรขัดจังหวะ LLM จะตอบคำถามผิดอย่างมั่นใจ
ตัวอย่างการโทร
ไปป์ไลน์ 3 ขั้นตอน
ผู้โทร
"ไม่ฉันเช่าที่นี่"
ระบบ
"เข้าใจแล้ว เป็นอสังหาริมทรัพย์แบบฟาร์มปศุสัตว์ ใช่หรือไม่"
ผลลัพธ์
ความคลาดเคลื่อนในการได้ยินเพียงครั้งเดียวกลายเป็นความผิดพลาดในการพูด
ระบบคิดอย่างไร
3 ขั้นตอนเสียงเป็นข้อความ
ขัดข้องข้อความถอดเสียงหนึ่งชุดกลายเป็นแหล่งข้อมูลอ้างอิงเดียว
LLM
ไม่เสถียรสร้างคำตอบจากข้อความ ไม่ใช่จากเสียงต้นฉบับ
ข้อความเป็นเสียง
ขัดข้องพูดคำตอบกลับอย่างมั่นใจ
AI เอเจนต์เสียงแบบบูรณาการ
ThunderPhone
ระบบสามารถฟัง ให้เหตุผล และกู้คืนได้ในวงจรเดียว
ThunderPhone ประสานความเข้าใจเสียง การกำหนดเส้นทางโมเดล การผลัดกันพูด และการสร้างคำตอบไว้ในสถาปัตยกรรมเดียว
สิ่งที่เปลี่ยนไป
เส้นทางการรับฟังหลายเส้นทางและการให้เหตุผลที่เข้าใจเสียงช่วยลดความล้มเหลวจากขั้นตอนเดียวก่อนส่งถึงผู้โทร
ตัวอย่างการโทร
ThunderPhone
ผู้โทร
"ไม่ฉันเช่าที่นี่"
ระบบ
"เข้าใจแล้ว คุณเช่าบ้านอยู่ ดังนั้นฉันจะข้ามคำถามเรื่องกรรมสิทธิ์"
ผลลัพธ์
การสนทนาดำเนินต่อไปได้โดยไม่ทำให้ผู้โทรต้องฝืนรับมือกับระบบ
ระบบคิดอย่างไร
4 ขั้นตอนสตรีมเสียง
ผ่านการตรวจสอบเสียงดิบยังพร้อมให้ใช้ในการให้เหตุผล
การรับฟังแบบซ้ำซ้อน
ผ่านการตรวจสอบมีการเปรียบเทียบสัญญาณก่อนดำเนินการ
การกำหนดเส้นทางโมเดล
ผ่านการตรวจสอบเส้นทางที่รวดเร็วและเส้นทางที่วิเคราะห์ลึกทำงานร่วมกันในแต่ละรอบการสนทนา
การตอบกลับอย่างเป็นธรรมชาติ
ผ่านการตรวจสอบผู้โทรได้ยินบริบทที่แก้ไขแล้ว
ผลลัพธ์ที่ได้
ความก้าวหน้าครั้งสำคัญไม่ใช่แค่เสียงหุ่นยนต์ที่ไพเราะขึ้นแต่คือสถาปัตยกรรมที่ทำให้การสนทนาดำเนินไปตามเป้าหมาย
การรับฟังที่ดีกว่า
ระบบสามารถเปรียบเทียบสัญญาณและวิเคราะห์เสียงแทนการเชื่อถือข้อความถอดเสียงเพียงชุดเดียว
จังหวะที่ดีกว่า
การผลัดกันพูดและการจัดการเมื่อถูกขัดจังหวะเป็นส่วนหนึ่งของวงจรการสนทนา
การกำหนดเส้นทางที่ดีกว่า
สามารถเลือกเส้นทางที่รวดเร็วหรือการวิเคราะห์เชิงลึกตามความต้องการของแต่ละช่วงโต้ตอบ
ประสบการณ์ที่ดีกว่า
ผู้โทรใช้เวลาน้อยลงในการแก้ไขระบบอัตโนมัติและมีเวลามากขึ้นในการทำงานให้เสร็จ