Voice AI ส่วนใหญ่ยังคงพูดเหมือนวิทยุสื่อสาร คุณพูด คุณรอ แล้วมันจึงตอบ และถ้าคุณพยายามพูดแทรก มันก็จะพูดต่อไปหรือหลุดประเด็นไปเลย
คนเราไม่ได้คุยกันแบบนั้น ในการโทรจริง ทั้ง 2 ฝ่ายฟังและพูดไปพร้อมกัน เราพูด "อืม" ขณะที่อีกฝ่ายยังพูดไม่จบ เราพูดแทรกเพื่อแก้รายละเอียด เราหยุดคิดโดยไม่ได้ส่งให้อีกฝ่ายพูดต่อ
โมเดลเสียงแบบ full duplex ถูกสร้างมาเพื่อรองรับบทสนทนาแบบนั้น นี่คือวิธีการทำงาน เหตุผลที่สำคัญต่อประสบการณ์ลูกค้า และวิธีที่ Maven Voice นำมาใช้ในสายซัพพอร์ตจริง
"Full duplex" หมายถึงอะไร
คำนี้มาจากวงการโทรคมนาคม ใช้อธิบายว่าช่องสัญญาณจัดการการรับส่งข้อมูล 2 ทิศทางอย่างไร
- Half duplex: ข้อมูลส่งได้ทั้ง 2 ทิศทาง แต่ทีละทิศทาง วิทยุสื่อสารคือตัวอย่างคลาสสิก กดเพื่อพูด ปล่อยเพื่อฟัง และพูดว่า "เปลี่ยน" เพื่อให้อีกฝ่ายรู้ว่าถึงตาตัวเองแล้ว
- Full duplex: ข้อมูลส่งได้ทั้ง 2 ทิศทางพร้อมกัน การโทรศัพท์คือ full duplex คุณได้ยินอีกฝ่ายได้ในขณะที่คุณกำลังพูด
Voice agent ส่วนใหญ่ในปัจจุบันทำงานเหมือนระบบ half duplex แม้จะทำงานบนสายโทรศัพท์ที่เป็น full duplex ก็ตาม เอเจนต์จะรอให้เงียบ ตัดสินว่าผู้โทรพูดจบแล้ว สร้างคำตอบ แล้วเล่นเสียงกลับไป ขณะที่มันพูด มันแทบไม่ได้ยินอะไรเลย
โมเดลเสียงแบบ full duplex ฟังต่อไปขณะที่พูด โดยประมวลผลเสียงขาเข้าและสร้างเสียงขาออกไปพร้อมกัน จึงตอบสนองต่อผู้โทรได้แบบเรียลไทม์
โมเดลเสียงแบบ full duplex ทำงานอย่างไร
เพื่อให้เห็นว่าอะไรเปลี่ยนไป ลองเริ่มจากวิธีที่ voice agent ส่วนใหญ่ถูกสร้างขึ้นในปัจจุบัน แนวทางที่พบบ่อยคือ pipeline แบบต่อเนื่องเป็นทอด ๆ (cascaded):
- Speech-to-text ถอดเสียงของผู้โทรเป็นข้อความ
- Turn detection รอให้มีช่วงเงียบนานพอที่จะตัดสินว่าผู้โทรพูดจบแล้ว
- Language model อ่านข้อความที่ถอดได้และเขียนคำตอบ
- Text-to-speech แปลงคำตอบนั้นกลับเป็นเสียง
การส่งต่อแต่ละครั้งเพิ่มความล่าช้า และแต่ละขั้นตอนทำให้ข้อมูลบางส่วนหายไป การถอดเสียงตัดน้ำเสียง ความลังเล และการเน้นคำออกไป ส่วน turn detection เดาจากความเงียบ ผู้โทรที่หยุดเพื่อหาเลขบัญชีจึงถูกตัดบท ขณะที่ผู้โทรที่พูดเร็วต้องรอในช่วงเงียบที่น่าอึดอัด
โมเดลแบบ full duplex ยุบห่วงโซ่นั้นลง โดยทำงานกับเสียงโดยตรงทั้ง 2 ทิศทาง ซึ่งมักเรียกว่า speech-to-speech และรันการฟังกับการพูดเป็น 2 สตรีมต่อเนื่องคู่กัน ทำให้เกิดพฤติกรรมที่สำคัญในการโทรสดหลายอย่าง:
- Barge-in เมื่อผู้โทรพูดแทรกว่า "ไม่ใช่ ที่อยู่อีกอัน" โมเดลจะหยุด รับการแก้ไข แล้วปรับตาม ไม่พูดต่อตามสคริปต์ที่ผู้โทรปฏิเสธไปแล้ว
- Backchannel สัญญาณเล็ก ๆ อย่าง "เข้าใจแล้ว" หรือ "โอเค" บอกว่าเอเจนต์กำลังฟังตามอยู่โดยไม่แย่งพูด
- การผลัดกันพูดอย่างเป็นธรรมชาติ โมเดลอ่านทั้งน้ำเสียงขึ้นลงและบริบทควบคู่กับความเงียบ จึงแยกได้ว่าเป็นการหยุดคิดหรือพูดจบแล้ว
- สัญญาณที่แฝงในน้ำเสียง (paralinguistic) ความหงุดหงิด ความสับสน และความเร่งรีบ สะท้อนออกมาผ่านวิธีการพูด โมเดลที่ได้ยินเสียงโดยตรงจึงตอบสนองต่อสิ่งเหล่านี้ได้ ในขณะที่ข้อความที่ถอดเสียงจะทำให้สัญญาณเหล่านี้หายไป
ทำไมจึงสำคัญต่อประสบการณ์ลูกค้า
ซัพพอร์ตทางโทรศัพท์คือช่องทางที่คุณภาพของบทสนทนาแสดงผลออกมาเร็วที่สุด ผู้โทรมักเครียด ทำหลายอย่างพร้อมกัน หรือโทรมาเพราะ self-service ไม่ได้ช่วยอะไร ทุกช่วงเงียบที่อึดอัดหรือการพูดทับตอนที่ลูกค้าแก้ข้อมูล ล้วนบั่นทอนความอดทน
Full duplex เปลี่ยนหลายเรื่องที่ผู้นำทีมซัพพอร์ตให้ความสำคัญ:
- การส่งต่อเพราะความหงุดหงิดลดลง ผู้โทรกด 0 เมื่อรู้สึกว่าไม่มีใครฟัง เอเจนต์ที่รับมือกับการพูดแทรกและการแก้ไขได้จะทำให้พวกเขาอยู่ในบทสนทนาต่อ
- สายสั้นลง ผู้โทรข้ามขั้นตอนได้ ยืนยันรายละเอียดกลางประโยค และข้ามข้อความแนะนำที่ไม่จำเป็น
- เก็บข้อมูลได้แม่นยำขึ้น เลขบัญชี ที่อยู่ และรายละเอียดคำสั่งซื้อ มักมาเป็นส่วน ๆ พร้อมการแก้ไข การฟังอย่างต่อเนื่องช่วยให้ได้ข้อมูลที่ถูกต้องตั้งแต่ครั้งแรก
- ประสบการณ์แบรนด์ที่ฟังดูเป็นมนุษย์ เสียงยังคงเป็นช่องทางที่ลูกค้าใช้กับปัญหาเร่งด่วนที่สุด น้ำเสียงของเอเจนต์จึงกลายเป็นน้ำเสียงของบริษัท
อะไรที่ทำให้ Maven Voice แตกต่าง
เสียงที่ฟังเป็นธรรมชาติเป็นเพียงครึ่งเดียวของงาน ในสายซัพพอร์ต เอเจนต์ยังต้องเข้าใจปัญหา ดำเนินการในระบบของคุณ และทำงานภายใต้นโยบายของคุณ Maven Voice ผสานบทสนทนาแบบ full duplex เข้ากับความสามารถในการให้เหตุผลและการเชื่อมต่อระบบของแพลตฟอร์ม Maven AGI
Speech-to-speech ใน production Maven Voice รันโมเดล voice-to-voice บนสายโทรจริงขององค์กร น้ำเสียงและจังหวะการพูดจึงคงอยู่ครบตั้งแต่คำแรกของผู้โทร IBEX พาร์ทเนอร์ของเรากล่าวว่า Maven เป็นรายแรกที่นำ speech-to-speech มาใช้ใน production เต็มรูปแบบสำหรับองค์กร
เลือก engine ได้โดยไม่ต้องสร้างใหม่ Maven Voice ทำงานร่วมกับผู้ให้บริการเสียงชั้นนำ รวมถึง OpenAI และ Phonic คุณเลือก engine ที่เหมาะกับ use case ของคุณได้ Maven ดูแลการ orchestration การให้เหตุผล และการเชื่อมต่อระบบ การเปลี่ยนหรือเพิ่ม engine จึงไม่ต้องเริ่มใหม่ทั้งหมด
บทสนทนาที่จบด้วยการลงมือทำ Maven Voice เชื่อมต่อกับระบบเบื้องหลังทีมซัพพอร์ตของคุณ สามารถตรวจสอบคำสั่งซื้อและส่งสินค้าทดแทน ล็อกบัตรและออกบัตรใหม่ หรือเลื่อนนัดหมาย ได้ทั้งหมดในสายเดียว
สร้างมาเพื่อเสียงในโลกจริงที่ไม่สมบูรณ์แบบ เราทดสอบ Maven Voice ในรถไฟใต้ดิน สนามบิน และสนามกีฬา ผู้โทรไม่ได้โทรจากห้องเงียบ ๆ เสมอไป และเอเจนต์ของคุณต้องได้ยินพวกเขาอยู่ดี
57 ภาษา สลับได้ระหว่างสาย ผู้โทรเปลี่ยนภาษาได้ระหว่างบทสนทนา และ Maven Voice ก็เปลี่ยนตาม
เข้ากับ contact center ของคุณ ลูกค้าโทรเบอร์เดิม Maven Voice ทำงานร่วมกับระบบ routing และแพลตฟอร์มที่คุณมีอยู่ และเมื่อต้องการเจ้าหน้าที่ ก็ ส่งต่อพร้อมบริบทครบถ้วน ผู้โทรจึงไม่ต้องเล่าซ้ำ
ความปลอดภัยระดับองค์กร ระบบ redaction เสียงและข้อความในตัวช่วยปกป้องข้อมูลอ่อนไหวทั้งระหว่างส่งและขณะจัดเก็บ รองรับด้วยการรับรองและการประเมิน 15 รายการ รวมถึง ISO 42001 และ PCI-DSS 4.0 Level 1
ลูกค้า Voice อย่าง Papaya Pay ใช้ Maven Voice ให้บริการซัพพอร์ตทางโทรศัพท์ 24/7 แล้ว โดยยังคงควบคุมคุณภาพได้เองทั้งหมด
ลองฟังด้วยตัวคุณเอง
วิธีที่เร็วที่สุดในการเข้าใจ full duplex voice คือการลองคุยกับมัน พูดแทรก เปลี่ยนใจกลางประโยค สลับภาษา แล้วดูมันแก้ปัญหาได้ครบจบในตัว
** จองเดโม Maven Voice ** และฟังว่าสายของคุณจะเป็นอย่างไร
ทดลองกับบทสนทนาของคุณเอง
ขอรับเดโมเฉพาะสำหรับคุณฟรี
