Hành vi người tiêu dùng với giọng nói thay đổi nhanh hơn mức sẵn sàng của doanh nghiệp. Amplified 2026, khảo sát của Censuswide với 700 lãnh đạo doanh nghiệp và người tiêu dùng, cho thấy 55% người tiêu dùng hiện dùng giọng nói làm giao diện chính khi tương tác với AI, trong khi chỉ 29% công ty đã triển khai voice AI tiếp xúc trực tiếp với khách hàng.
Thoại đồng thời là kênh có lưu lượng lớn nhất, chi phí cao nhất và đòi hỏi kỹ thuật khắt khe nhất trong dịch vụ khách hàng, và cũng là kênh tụt hậu xa nhất về ứng dụng AI. Sự kết hợp này hiếm gặp. Kênh có nhiều chi phí cần cắt giảm nhất lại có ít cạnh tranh nhất để giành lợi thế.
3 rào cản khiến thoại trở nên khó, và cả 3 đều có thật: độ trễ, độ chính xác và tuân thủ. Điều đã thay đổi là chúng trở thành những bài toán kỹ thuật có lời giải, thay vì những câu hỏi nghiên cứu còn bỏ ngỏ.
Vì sao độ trễ là bài toán khó nhất
Cách xây dựng tác tử thoại tiêu chuẩn là nối chuỗi 3 hệ thống. Giọng nói được chuyển thành văn bản, một mô hình ngôn ngữ đọc văn bản và viết câu trả lời, rồi hệ thống thứ 3 đọc to câu trả lời đó. Từng khâu riêng lẻ đều hoạt động tốt. Vấn đề nằm ở những gì tích tụ giữa chúng.
Mỗi bước chuyển tiếp đều thêm độ trễ, và khách hàng cảm nhận tổng độ trễ. Phản hồi dưới 300ms là ngưỡng xấp xỉ để cuộc gọi có cảm giác như trò chuyện tự nhiên, và sau khoảng 1 giây im lặng, người gọi bắt đầu nói tiếp. Khi đó, một pipeline vẫn đang xử lý câu nói đầu tiên sẽ phải đối mặt với 2 đầu vào chồng lấn và không có cách nào gọn gàng để dung hòa chúng.
Chuỗi xử lý mất nhiều thứ hơn là thời gian. Chuyển giọng nói thành văn bản chỉ tạo ra chữ, nên ngữ điệu, sự ngập ngừng, âm lượng và cả âm thanh của một người đang mất kiên nhẫn đều không qua được bước đầu tiên. Mô hình đọc một câu phẳng lặng, không có dấu hiệu nào cho thấy người nói sắp cúp máy. Khả năng phục hồi cũng mong manh, vì khi khách hàng ngắt lời hoặc 2 người nói cùng lúc, pipeline phải phát hiện vấn đề ở một khâu rồi truyền ngược thông tin đó qua những khâu vốn không được thiết kế để tiếp nhận.
Đây là lý do nhiều hệ thống thoại chạy tốt trong demo nhưng chật vật vào một buổi chiều thứ Ba bình thường. Demo thì yên tĩnh, có kịch bản và không bị ngắt lời.
Voice-to-voice đơn mô hình thay đổi điều gì
Một kiến trúc khác loại bỏ các bước chuyển tiếp. Một mô hình duy nhất nhận âm thanh và tạo ra âm thanh, không chuyển sang văn bản rồi chuyển ngược lại ở giữa.
Vì mô hình làm việc với âm thanh thay vì bản ghi chữ, những gì pipeline từng bỏ đi giờ vẫn được giữ lại. Ngắt lời được nhận diện đúng là ngắt lời. Giọng nói chồng lấn, tiếng ồn nền và giọng địa phương lạ trở thành những điều kiện mô hình xử lý được, thay vì những trạng thái lỗi làm hỏng việc chuyển giao giữa các khâu. Không còn khâu trung gian, khoảng trống phản hồi thu hẹp đủ để khách hàng không còn nói chen vào hệ thống.
Đó là cơ chế đằng sau nhận định rằng độ trễ và độ chính xác nay đã được giải quyết trong vận hành thực tế. Maven là nền tảng AI doanh nghiệp đầu tiên đưa tác tử voice-to-voice vào vận hành thực tế toàn diện, điều đã được Ibex xác nhận, và hỗ trợ 57 ngôn ngữ cho voice-to-voice cùng 54 ngôn ngữ cho chat. Trong các đợt triển khai Maven đã đo lường, tác tử thoại được xây dựng tốt đạt tỷ lệ giải quyết tương đương chat với các ý định tương tự.
Nói chính xác về công nghệ: thoại thời gian thực chạy trên OpenAI Realtime API kết hợp với các mô hình giọng nói của Cartesia, và tác tử thoại dùng chung engine với chat và email, nên khách hàng gọi điện sau khi đã gửi email sẽ không phải bắt đầu lại từ đầu.
3 quyết định giờ đây định đoạt tiến độ của bạn
Khi các rào cản kỹ thuật đã được giải quyết, tốc độ triển khai phụ thuộc vào một vài lựa chọn, và ở mỗi lựa chọn, phương án mặc định nhanh hơn thường cũng an toàn hơn.
- Hệ thống điện thoại. Tích hợp với nhà mạng và hạ tầng hiện có thay vì chuyển nhà mạng. Việc di chuyển hiếm khi đáng làm trước tiên, và voice-to-voice kết nối với những gì bạn đang dùng, bao gồm Twilio, Vonage, Cisco, Zendesk Talk và Genesys.
- IVR. Bổ sung lớp phủ và tăng cường IVR hiện có thay vì gỡ bỏ và thay thế. Thay thế có trần tiềm năng cao hơn nhưng con đường dài hơn nhiều.
- Chuyển tiếp. Dùng hình thức chuyển tiếp có ngữ cảnh (warm handoff), mang theo đầy đủ bối cảnh cho nhân viên. Chuyển tiếp không kèm ngữ cảnh còn tệ hơn cả không tự động hóa, vì khách hàng phải giải thích mọi thứ 2 lần.
Câu hỏi tuân thủ mà kênh thoại đặt ra ngay lập tức
Trong cuộc gọi, khách hàng nói ra những thông tin bạn không được phép lưu trữ. Số thẻ, thông tin sức khỏe, thông tin đăng nhập tài khoản, tất cả đều được nói thành lời trong lúc nhờ hỗ trợ.
Tuân thủ trong kênh thoại khắt khe hơn văn bản, và chỉ được giải quyết khi nền tảng được xây dựng cho nó ngay từ đầu thay vì chắp vá thêm. Câu hỏi quan trọng là thời điểm. Che dữ liệu cá nhân (PII) theo thời gian thực trong cuộc gọi và xử lý hậu kỳ sau đó tạo ra những khoảng rủi ro khác nhau, và chỉ cách thứ nhất giữ được chuỗi thông tin nhạy cảm ngoài pipeline. Hãy hỏi rõ bạn đang mua phương án nào trước buổi đánh giá bảo mật chứ không phải trong lúc đánh giá.
Đa ngôn ngữ khó hơn trên kênh thoại
Dịch văn bản đã đủ hoàn thiện để hầu hết doanh nghiệp không còn lo lắng. Thoại thì khác. Ngôn ngữ nói mang theo sự khác biệt về giọng, cách diễn đạt theo vùng miền, việc chuyển đổi ngôn ngữ giữa câu và tốc độ nói khác nhau, những thứ mà bản ghi chữ làm mất đi. Pipeline nối chuỗi càng khiến vấn đề trầm trọng hơn, vì khâu chuyển giọng nói thành văn bản phải đoán ngôn ngữ trước khi mô hình nhận được gì, và một lần đoán sai sẽ lan qua mọi khâu phía sau.
Các con số về độ phủ ngôn ngữ đáng được hỏi kỹ. Câu hỏi hữu ích dành cho bất kỳ nhà cung cấp nào là các ngôn ngữ được liệt kê đã được kiểm chứng trong vận hành thực tế hay chỉ xuất hiện trên model card.
Minh chứng ở quy mô lớn
Một doanh nghiệp gaming thuộc Fortune 500 hoạt động trong thị trường được quản lý chặt chẽ đạt 80% tỷ lệ giải quyết trên hơn 330.000 tương tác mỗi tháng, bao gồm 13.000 tương tác được giải quyết chỉ trong một ngày sự kiện cao điểm.
Ngày cao điểm là phép thử trung thực nhất. Lưu lượng tăng đột biến là lúc hàng đợi vỡ trận, lúc hệ thống hoặc trụ vững hoặc xuống cấp thấy rõ, và là lúc khách hàng hình thành ấn tượng lâu dài về việc gọi cho bạn có hiệu quả hay không.
Cách đánh giá voice AI mà không bị cuốn theo demo
Demo ghi sẵn không phải bằng chứng. Hãy yêu cầu một cuộc gọi trực tiếp, và trong cuộc gọi đó, hãy cư xử như khách hàng của bạn.
- Ngắt lời giữa câu và xem tác tử dừng lại hay tiếp tục nói
- Đổi ý giữa chừng khi đang đưa ra yêu cầu
- Tạo tiếng ồn nền
- Nói bằng giọng địa phương mà nhà cung cấp không lường trước
- Yêu cầu nó làm một việc, chứ không chỉ cung cấp thông tin
Điểm cuối cùng có trọng lượng lớn nhất. Trả lời câu hỏi và hoàn tất giao dịch là 2 năng lực khác nhau, và giải quyết tự động đòi hỏi năng lực thứ 2.
3 quyết định trên được tóm lược trong Cây quyết định Voice AI , tài liệu đi kèm với Phạm vi thí điểm 90 ngày dành cho các đội ngũ cân nhắc chọn thoại làm kênh tự động hóa đầu tiên. Cả 2 tài liệu đều dựa trên chương Cơ hội từ kênh thoại của báo cáo State of AI in CX 2026 .
Trải nghiệm trên chính các cuộc hội thoại của bạn.
Yêu cầu demo cá nhân hóa miễn phí.
