Speech-to-Text (ASR)

Speech-to-Text (ASR) คืออะไร

Speech-to-text (STT) หรือ automatic speech recognition (ASR) คือเทคโนโลยีที่แปลงภาษาพูดเป็นข้อความแบบเรียลไทม์ ในงานบริการลูกค้าด้วย voice AI ASR คือขั้นแรกของไปป์ไลน์ เมื่อลูกค้าพูด ASR จะแปลงคำพูดเป็นข้อความ จากนั้นเอเจนต์ AIจะประมวลผลข้อความเพื่อเข้าใจเจตนาและสร้างคำตอบ แล้วtext-to-speechจะแปลงคำตอบกลับเป็นเสียงพูด

ระบบ ASR ยุคใหม่ใช้โมเดล deep learning ที่ฝึกด้วยเสียงพูดหลายล้านชั่วโมง เพื่อให้แม่นยำสูงแม้มีสำเนียง ภาษา และสภาพแวดล้อมที่มีเสียงรบกวนหลากหลาย

ASR ทำงานอย่างไรในงานบริการลูกค้า

เมื่อลูกค้าโทรเข้าสายซัพพอร์ตที่ขับเคลื่อนด้วย voice AI ระบบ ASR จะ:

1. รับสตรีมเสียงจากการโทร
2. แบ่งเสียงออกเป็นช่วงที่ประมวลผลได้
3. แปลงแต่ละช่วงเป็นข้อความด้วยโมเดล neural network
4. ใช้ language model เพื่อเพิ่มความแม่นยำ (เช่น แก้ "I need a re-fund" เป็น "I need a refund")
5. ส่งข้อความที่ถอดได้ให้เอเจนต์ AI เพื่อระบุเจตนาและประมวลผลต่อ

กระบวนการทั้งหมดนี้เกิดขึ้นแบบเรียลไทม์ โดยระบบยุคใหม่ตั้งเป้า latency ต่ำกว่า 250 มิลลิวินาที เพื่อให้การสนทนาลื่นไหลเป็นธรรมชาติ

บริบทตลาด: ตลาดเอเจนต์ voice AI มีมูลค่า $3.5 พันล้านในปี 2025 และคาดว่าจะแตะ $28.9 พันล้านภายในปี 2033 (CAGR 30.1%) การใช้งานเอเจนต์เสียงแบบเรียลไทม์เติบโต 4 เท่าในปี 2025 ขณะที่คอนแทคเซ็นเตอร์กำลังเตรียมโครงสร้างพื้นฐานสำหรับการโทร 39 พันล้านสายภายในปี 2029

ความท้าทายและความแม่นยำของ ASR

ASR ระดับองค์กรมีอัตราความผิดพลาดในการรู้จำเสียงต่ำกว่า 5% ในสภาวะที่เหมาะสม แต่ความแม่นยำในการใช้งานจริงจะผันแปรตาม:

• เสียงรบกวนรอบข้าง: สภาพแวดล้อมคอลเซ็นเตอร์ ลำโพงโทรศัพท์ และสถานที่สาธารณะทำให้ความแม่นยำลดลง
• สำเนียงและภาษาถิ่น: ความแม่นยำอาจแตกต่างกันมากตามกลุ่มผู้พูด
• คำศัพท์เฉพาะทาง: ศัพท์เฉพาะอุตสาหกรรม (การแพทย์ การเงิน เทคนิค) ต้องใช้โมเดลเฉพาะทาง
• คุณภาพเสียง: สัญญาณโทรศัพท์ไม่ดีหรือไมโครโฟนคุณภาพต่ำทำให้ผลลัพธ์แย่ลง

จุดเด่นของ Maven: Voice AI ที่เข้าใจจริง

Maven Voice เชื่อมต่อกับผู้ให้บริการ ASR และ voice engine ชั้นนำ เช่น OpenAI, Phonic, Cartesia และ ElevenLabs เพื่อการรู้จำเสียงที่แม่นยำสูงในหลายภาษา ไปป์ไลน์เสียงของ Maven รับมือกับการพูดแทรกได้อย่างเป็นธรรมชาติ รักษาจังหวะการสนทนาให้ลื่นไหล และรองรับการปกปิด PIIแบบเรียลไทม์ทั้งในเสียงและบันทึกข้อความ เพื่อปกป้องข้อมูลอ่อนไหวที่ลูกค้าให้ทางโทรศัพท์

ผลลัพธ์จริงจาก Maven: Maven Voice เชื่อมต่อกับโครงสร้างพื้นฐานโทรศัพท์ที่มีอยู่ผ่าน Twilio, RingCentral, Cisco, Genesys และ Zendesk Talk รองรับ SIP, PSTN และ WebRTC องค์กรจึงเพิ่ม voice AI ได้โดยไม่ต้องเปลี่ยนระบบโทรศัพท์

คำถามที่พบบ่อย

ASR กับ NLP ต่างกันอย่างไร?

ASR แปลงเสียงพูดเป็นข้อความ ทำหน้าที่ในส่วนการแปลงเสียงเป็นข้อความ ส่วน NLP ประมวลผลข้อความนั้นเพื่อเข้าใจความหมาย เจตนา และบริบท ASR ตอบคำถามว่า "ลูกค้าพูดอะไร" ขณะที่ NLP ตอบคำถามว่า "ลูกค้าหมายความว่าอะไร"

ASR รองรับหลายภาษาในการสนทนาเดียวกันได้หรือไม่?

โมเดล ASR หลายภาษายุคใหม่สามารถตรวจจับและถอดความได้หลายภาษา รวมถึงการสลับภาษากลางบทสนทนา ซึ่งสำคัญมากขึ้นเรื่อยๆ สำหรับงานบริการลูกค้าระดับโลกที่ดูแลลูกค้าหลากหลายกลุ่ม

ความแม่นยำของ ASR ส่งผลต่อประสิทธิภาพของเอเจนต์ AI หรือไม่?

ส่งผลโดยตรง หาก ASR ตีความ "refund" ผิดเป็น "re-fund" หรือ "cancel" เป็น "council" เอเจนต์ AI จะได้รับข้อมูลที่ผิดและอาจตอบไม่ตรงประเด็น ASR คุณภาพสูงจึงเป็นรากฐานของงานบริการลูกค้าด้วย voice AI ที่มีประสิทธิภาพ