电话通话变得更容易自动化
每一代都将更多上下文交给机器处理。
电话树
IVR 时代
来电者不得不说机器的语言。
自动化意味着菜单、按键分支和排队队列。当来电者已经知道正确路径时，它确实有效。
笨拙时刻
意图被压缩为一次按键选择，因此菜单之外的任何内容都只能转接或重复说明。
通话示例
IVR 时代
来电者
"我需要把明天的预约改期。"
系统
"如需账单服务，请按 1。如需预约服务，请按 2。如有其他问题，请按 9。"
结果
来电者只能猜测、等待，并再次解释同一件事。
系统如何思考
3 个阶段菜单提示
已修复固定脚本列出选项。
DTMF 分支
不稳定一个按键承载全部意图。
排队队列
中断真正的上下文要等人工接听后才会出现。
定制模型
早期 AI
系统只能理解有限场景，随后便会失灵。
团队针对特定通话流程训练声学模型、意图分类器和槽位提取器。有用，但变更成本高。
笨拙时刻
系统可以识别一个经过训练的意图，却会忽略第二个请求，或提出生硬的追问。
通话示例
早期 AI
来电者
"你能把明天的预约改期，并添加我的配偶吗？"
系统
"我可以帮您改期。您希望改到哪一天？"
结果
由于配偶信息不在训练流程中，这一细节被遗漏了。
系统如何思考
3 个阶段定制 ASR
已修复针对特定领域和口音组合进行调优。
意图模型
不稳定将请求归类为最接近的已知类型。
槽位填充
中断缺失字段会触发预设的补救流程。
Vapi / Retell / ElevenLabs 风格的技术栈
3 步流水线
技术栈更灵活了，但每一步都信任上一步。
一种常见的现代模式是将语音转文本、LLM 和文本转语音串联成一个通话循环。
笨拙时刻
当转写出错或来电者打断时，LLM 会自信地答错这通电话的问题。
通话示例
3 步流水线
来电者
"不，我租房。"
系统
"明白了，这是一处牧场房产。对吗？"
结果
一次听错就会变成一次口头误答。
系统如何思考
3 个阶段语音转文本
中断一份转写文本成为唯一事实来源。
LLM
不稳定基于文本生成，而非原始音频。
文本转语音
中断自信地说出答案。
一体化语音 AI
ThunderPhone
系统能在一个循环中听见、推理并恢复。
ThunderPhone 将音频理解、模型路由、轮次管理和响应生成协调为一体化技术栈。
变化所在
多条听取路径和感知音频的推理，可在单步失误触及来电者前减少这类问题。
通话示例
ThunderPhone
来电者
"不，我租房。"
系统
"明白了。您租房，所以我会跳过有关房屋所有权的问题。"
结果
通话顺利推进，无需让来电者与系统较劲。
系统如何思考
4 个阶段音频流
通过原始音频始终可用于推理。
冗余听取
通过采取行动前先比对信号。
模型路由
通过快速路径与深度路径按轮次协同工作。
自然回应
通过来电者听到经修正的上下文。