โรดแมป Voice AI: อนาคตของ AI เชิงสนทนา

• Voice AI ไม่ใช่แค่การอัปเกรด UI แบบง่าย ๆ แต่เป็นการปฏิวัติวิธีที่ธุรกิจเชื่อมต่อกับลูกค้า
  • เช่น งานบริการลูกค้าของสายการบินที่ต้องรอสายนาน ต้องเลือกเมนูซ้ำ ๆ และระบบไม่เข้าใจสถานการณ์ของลูกค้า ปัญหาไม่ได้ถูกแก้ แต่กลับสร้างความเครียดและเสียเวลาโดยไม่จำเป็น
  • Voice AI แตกต่างจากระบบ IVR (การตอบรับด้วยเสียงอัตโนมัติ) แบบเดิมที่แข็งทื่อ โดยสามารถมอบประสบการณ์ที่ สนทนาได้เหมือนมนุษย์และปรับแต่งประสบการณ์ลูกค้าให้เป็นรายบุคคล ได้ และให้บริการได้ตลอด 24 ชั่วโมง
    • เข้าใจสถานการณ์ของลูกค้าได้ทันทีและ เสนอทางเลือกที่เหมาะสมที่สุด
    • ตัวอย่าง: จองเที่ยวบินใหม่ให้อัตโนมัติเมื่อเที่ยวบินถูกยกเลิก หรือแนะนำทางเลือกตามความชอบของลูกค้า
    • ในบางสถานการณ์ ลูกค้าอาจชอบ AI agent มากกว่ามนุษย์ก็ได้
  • Voice AI ช่วยตอบสนองอุปสงค์และความคาดหวังของลูกค้าที่สูงขึ้น พร้อมเพิ่มประสิทธิภาพการดำเนินงาน
• Voice AI คือการหลอมรวมกันของโมเดล AI แบบ voice-native และเทคโนโลยีมัลติโหมด
  • มอบ นวัตกรรมระดับรากฐาน ให้กับอุตสาหกรรมที่การสื่อสารของมนุษย์มีความสำคัญ
  • ช่วยตอบโจทย์ความคาดหวังของลูกค้า ขยายการดำเนินงานอย่างมีประสิทธิภาพ และวางรากฐานให้กับ ยุคถัดไปของการสื่อสารทางธุรกิจ
  • ฟังอินไซต์สำคัญของบทความนี้ผ่านพอดแคสต์ที่สร้างโดย NotebookLM

ตลาดขนาดมหาศาลของการสื่อสารด้วยเสียง

• มนุษย์ชอบการพูดคุยมากกว่า:
  • มีการโทรศัพท์หลายพันล้านสายเกิดขึ้นทุกวัน
  • แม้ว่าข้อความ อีเมล และโซเชียลมีเดียจะกลายเป็นเรื่องปกติ แต่โทรศัพท์ก็ยังคงเป็น ช่องทางการสื่อสารหลัก ของหลายธุรกิจ
  • เป็นสิ่งจำเป็นในหลายอุตสาหกรรม เช่น การแพทย์ บริการกฎหมาย บริการภายในบ้าน ประกันภัย และโลจิสติกส์ สำหรับ การสื่อสารข้อมูลที่ซับซ้อน การให้บริการแบบเฉพาะบุคคล และการแก้ปัญหาเร่งด่วน
• ปัญหาของการสื่อสารทางโทรศัพท์แบบเดิม
  • อัตราการรับสายไม่เพียงพอ:
    • 62% ของ SMB (ธุรกิจขนาดเล็กและกลาง) พลาดสายโทรศัพท์ จนไม่สามารถตอบสนองความต้องการของลูกค้าและสูญเสียโอกาสทางธุรกิจ
    • ปัญหาทั่วไป:
      • นอกเวลาทำการจะเปลี่ยนไปที่ระบบฝากข้อความเสียง
      • รับได้ทีละสายเท่านั้น
      • คุณภาพการให้บริการไม่สม่ำเสมอ
  • ข้อจำกัดทางเทคนิค:
    • ระบบ IVR (เริ่มใช้ในทศวรรษ 1970):
      • รองรับได้เฉพาะคำสั่งที่ตั้งค่าไว้ล่วงหน้า ขาดความยืดหยุ่น เช่น "กด 1 หากต้องการจอง" "พูดสั้น ๆ ถึงสิ่งที่คุณต้องการความช่วยเหลือ"
      • ไม่เข้าใจเจตนาหรือความเร่งด่วนของลูกค้า
    • ประสบการณ์ลูกค้าแย่ลง:
      • เวลารอสายนาน
      • การไล่เมนูที่ไม่มีประสิทธิภาพ
      • แก้ปัญหาไม่สำเร็จ
• แม้จะมี ความต้องการสูง:
  • เทคโนโลยีเดิมยังมีข้อจำกัดในการ แก้ปัญหาของลูกค้าอย่างมีประสิทธิภาพและราบรื่น
  • จึงจำเป็นต้องมี เทคโนโลยีอัตโนมัติด้านเสียง ที่ก้าวหน้ากว่าเดิม

[ทำไมตอนนี้จึงเป็นช่วงเวลาที่เหมาะที่สุดในการพัฒนาเทคโนโลยี Voice]

วิวัฒนาการของเทคโนโลยีเสียง

1. ระบบ IVR ยุคแรก:

• เทคโนโลยี IVR (Interactive Voice Response) ที่เริ่มใช้ในทศวรรษ 1970:
  • รองรับได้เฉพาะคำสั่งที่ตั้งค่าไว้ล่วงหน้า
  • ไม่เข้าใจเจตนาและความเร่งด่วนของผู้ใช้
• แม้จะเป็นเทคโนโลยีที่คนไม่ชอบ แต่ก็ยังเป็น ตลาดมูลค่า 5 พันล้านดอลลาร์

2. การมาของเทคโนโลยี ASR/STT:

• โมเดล ASR (Automatic Speech Recognition) และ STT (Speech-to-Text):
  • เทคโนโลยีที่แปลงเสียงเป็นข้อความแบบเรียลไทม์
  • การเกิดขึ้นของสตาร์ทอัพอย่าง Gong, Rev, DeepL
  • การเปิดตัว Whisper model ของ OpenAI (2022) และ Reverb ของ Rev (2024):
    • รองรับระบบสนทนาที่เป็นธรรมชาติซึ่งจัดการสำเนียง เสียงรบกวนพื้นหลัง และอารมณ์ได้

3. นวัตกรรมล่าสุด: ความก้าวหน้าของ Voice AI:

• การพัฒนาโมเดล Text-To-Speech (TTS) ที่สร้าง เสียงพูดซึ่งมีอารมณ์สมจริง:
  • บริษัทชั้นนำอย่าง Eleven Labs
• ความสามารถแบบมัลติโหมด:
  • Google Gemini 1.5: ผสานเสียง ข้อความ และข้อมูลภาพ
  • Voice Engine ของ OpenAI: สร้างเสียงที่เลียนแบบการสนทนาของมนุษย์
• การเปิดตัว GPT-4o:
  • การผสานเสียง วิดีโอ/ภาพ และข้อความแบบเนทีฟในเวลาจริง
  • รองรับการสนทนาที่ซับซ้อนและการตอบสนองอย่างชาญฉลาด

ความก้าวหน้าสำคัญ 2 ประการจากนวัตกรรมล่าสุด

• การแพร่หลายของโมเดลคุณภาพสูงและการพัฒนาแอปพลิเคชัน:
  • ข้อจำกัดของสถาปัตยกรรมแบบ "cascading" เดิม:
    • ในกระบวนการแปลง STT → LLM → TTS เกิด ความหน่วง และ การสูญเสียข้อมูลที่ไม่ใช่ข้อความ
    • latency สูงทำให้ประสบการณ์ผู้ใช้แย่ลง
  • โมเดลใหม่:
    • GPT-4 Turbo: ลดความหน่วง
    • สามารถเลือกโมเดลให้เหมาะกับ use case ได้
• การเติบโตของโมเดล Speech-to-Speech (STS):
  • ประมวลผลเสียงโดยตรง โดยไม่ต้องแปลงเป็นข้อความ:
    • ความหน่วงต่ำมาก: เวลาตอบสนองราว 300ms ทำให้สนทนาได้เป็นธรรมชาติ
    • เข้าใจบริบท: รักษาข้อมูลจากบทสนทนาก่อนหน้า เข้าใจเจตนาและอารมณ์
    • การรับรู้อารมณ์และน้ำเสียงดีขึ้น: ตอบสนองโดยสะท้อนอารมณ์และความรู้สึก
    • การตรวจจับกิจกรรมเสียงแบบเรียลไทม์: ผู้ใช้สนทนาได้โดยไม่ต้องหยุดชะงัก

โมเดลแบบ voice-native: อนาคตของเสียงสนทนา

• ก้าวข้ามข้อจำกัดของสถาปัตยกรรมแบบ cascading:
  • โมเดล STS ที่ออกแบบเพื่อเสียงโดยเฉพาะ:
    • Kyutai Moshi: โมเดลโอเพนซอร์ส
    • Alibaba SenseVoice & CosyVoice: โมเดลเฉพาะทางด้านเสียง
    • Hume Empathetic Voice Interface: จัดการการตอบสนองเชิงอารมณ์
• Realtime API ของ OpenAI:
  • รองรับการโต้ตอบแบบ Speech-to-Speech บนพื้นฐาน GPT-4o

ความท้าทายหลักของการยอมรับในอุตสาหกรรม

3 ปัจจัยหลักที่ขัดขวางการนำ voice agent ไปใช้

• คุณภาพ (Quality):
  • voice AI agent จำนวนมากยัง ไม่เสถียรพอ ที่จะไว้วางใจได้ในหลาย use case
  • โดยทั่วไปองค์กรจะเริ่มทดลองใช้ voice agent ใน สภาพแวดล้อมที่มีความเสี่ยงต่ำ:
    • ตัวอย่าง: บริษัทซ่อมหลังคาขนาดเล็กใช้ agent รับสายหลังเวลาทำการ
    • เมื่อขยายไปสู่ use case มูลค่าสูง เกณฑ์ด้านคุณภาพก็ยิ่งเข้มงวดขึ้น
    • ตัวอย่าง: หากโทรศัพท์จากลูกค้าหนึ่งรายอาจนำไปสู่โครงการมูลค่า 30,000 ดอลลาร์ ความผิดพลาดของการสนทนาจะยอมรับได้น้อยมาก
• ความไว้วางใจ (Trust):
  • ลูกค้าเคยมีประสบการณ์เชิงลบกับ เทคโนโลยี IVR มาแล้วจำนวนมาก:
    • ตอบสนองช้า โครงสร้างเมนูไม่มีประสิทธิภาพ และขาดการสนทนาที่เป็นธรรมชาติ
  • องค์กรจึงต้องสร้าง ความเชื่อมั่น ว่า AI จะจัดการความต้องการของลูกค้าได้อย่างถูกต้องและรวดเร็ว
• ความน่าเชื่อถือ (Reliability):
  • ตัวอย่างข้อร้องเรียนหลัก:
    • สายหลุด: การโทรถูกตัดกลางคันทำให้ลูกค้าหงุดหงิด
    • Hallucination: AI ให้คำตอบที่ไม่ถูกต้องหรือหลุดประเด็น
    • latency: ใช้เวลาประมวลผลนานจนลูกค้าถอนตัว

ทิศทางการพัฒนาเพื่อแก้ปัญหา

• ปรับ latency และความน่าเชื่อถือให้เหมาะสม:
  • มี developer platform เพิ่มขึ้นที่มอบโครงสร้างพื้นฐานซึ่ง เชื่อถือได้มากกว่า โดยเน้นลดความหน่วงและป้องกันบทสนทนาสะดุด
• Fail Gracefully:
  • เมื่อการโทรล้มเหลว ต้อง กู้คืน flow ของบทสนทนา อย่างเป็นธรรมชาติ เพื่อลดการสะดุดของประสบการณ์ลูกค้า
• การ orchestrate บทสนทนา:
  • ออกแบบให้ AI agent เดินตาม flow ที่คาดการณ์ได้: ลด hallucination, ตั้ง guardrail สำหรับข้อมูลและขอบเขตบทสนทนาที่จะสื่อสารกับลูกค้า

แผนที่ตลาด Voice AI

• ตลาด Voice AI กำลังเกิดนวัตกรรมในหลายชั้น ตั้งแต่ foundation model, voice infrastructure, developer platform ไปจนถึง applications
• โดยเฉพาะมีโอกาสที่น่าสนใจใน 3 ด้านหลักต่อไปนี้

1. โมเดล (Models)

• บทบาท: สร้างเทคโนโลยีเพื่อรองรับ use case ด้านเสียง โดยเชี่ยวชาญเฉพาะทาง เช่น SST (Speech-to-Speech), LLS (Large Language Models), TTS (Text-to-Speech)
• ทิศทางในอนาคต:
  • โมเดลมัลติโหมดและโมเดลแบบ voice-native จะเป็นผู้นำ
  • เทคโนโลยีที่สามารถ ประมวลผลเสียงโดยตรง โดยไม่ต้องสลับระหว่างข้อความกับเสียงจะมีความสำคัญ
• โมเดลรุ่นถัดไป:
  • บริษัทอย่าง Cartesia กำลังบุกเบิกสถาปัตยกรรมใหม่โดยใช้ State Space Models (SSMs)
  • แยกงานสนทนาแบบง่ายให้โมเดลขนาดเล็ก และงานซับซ้อนให้โมเดลทรงพลัง เพื่อคาดหวัง ลด latency และต้นทุน

2. แพลตฟอร์มสำหรับนักพัฒนา (Developer Platforms)

• การสร้าง voice AI agent และการจัดการโครงสร้างพื้นฐานเสียงแบบเรียลไทม์ยังคงเป็น ความท้าทายทางเทคนิคครั้งใหญ่ สำหรับนักพัฒนา แพลตฟอร์มใหม่ ๆ กำลังช่วยแก้ความซับซ้อนนี้และมอบการสนับสนุนในหลายด้าน
• การปรับ latency และความน่าเชื่อถือให้เหมาะสม:
  • จัดการ real-time voice agent ที่มีประสิทธิภาพสูงในรูปแบบที่ขยายได้
• การจัดการสัญญาณบทสนทนาและบริบทที่ไม่ใช่คำพูด:
  • ตรวจจับ "endpointing" เพื่อพิจารณาว่าผู้ใช้พูดจบแล้วหรือยัง
  • ปรับปรุงการกรองเสียงรบกวนพื้นหลังและการตรวจจับอารมณ์/ความรู้สึก
• การจัดการข้อผิดพลาดอย่างมีประสิทธิภาพ:
  • ตรวจจับการเรียก API ที่ล้มเหลวและ retry ได้ทันที
  • แทรกคำตอบสำรอง เพื่อป้องกันบทสนทนาสะดุด
• การผสานกับระบบภายนอกและการรองรับ RAG:
  • ต้องการการเชื่อมต่อกับฐานความรู้และระบบภายนอกแบบ latency ต่ำ
• การควบคุม flow ของบทสนทนา:
  • รองรับการจัดการบทสนทนาที่ละเอียดอ่อนหรืออยู่ภายใต้กฎระเบียบ ด้วยการออกแบบ flow ที่คาดการณ์ได้
• การสังเกตการณ์ การวิเคราะห์ และการทดสอบ:
  • แก้ปัญหาการขาดแคลนเครื่องมือที่ใช้ติดตามคุณภาพและประสิทธิภาพของบทสนทนาในวงกว้าง
• ตัวอย่างแพลตฟอร์ม Vapi: ช่วยลดความซับซ้อนของโครงสร้างพื้นฐานเสียง และสนับสนุนการสร้าง voice agent คุณภาพสูงได้อย่างรวดเร็ว

3. แอปพลิเคชัน (Applications)

• มีการพัฒนาผลิตภัณฑ์อัตโนมัติที่ใช้เสียงในหลากหลายสาขา
• คุณลักษณะของแอปพลิเคชันที่โดดเด่นที่สุด:
  • จัดการงานของลูกค้าได้ครบถ้วน และมอบผลลัพธ์ที่มีคุณค่า
  • มีความสามารถในการขยายเพื่อรองรับสายพร้อมกันหลายพันสายเมื่อ ความต้องการพุ่งสูง
  • มอบ โซลูชันเฉพาะทาง ที่ปรับให้เหมาะกับแต่ละอุตสาหกรรม
• โอกาสหลักตามฟังก์ชัน
  • การถอดเสียง (Transcription): จดโน้ตการสนทนา แนะนำงานติดตามผล
  • การรับสายเข้า (Inbound Calling): จัดการการจอง เปลี่ยนผู้สนใจให้เป็นลูกค้า ดูแลความสำเร็จของลูกค้า
  • การโทรออก (Outbound Calling): คัดกรองผู้สมัคร ยืนยันนัดหมาย
  • การฝึกอบรม (Training): ฝึกการขายหรือการสัมภาษณ์
  • การเจรจา (Negotiation): ต่อรองการจัดซื้อ ข้อพิพาทด้านประกันภัย ปรับเงื่อนไขสัญญา
• กรณีการลงทุน
  • Abridge: จัดทำเอกสารบทสนทนาทางการแพทย์
  • Rilla: โค้ชชิ่งสำหรับงานขายภาคสนาม
  • Rev: ให้บริการถอดเสียงแบบผสาน AI และมนุษย์ในหลากหลายอุตสาหกรรม

ตัวอย่างการใช้งานที่เป็นรูปธรรม

• โซลูชันเฉพาะอุตสาหกรรม Sameday AI: AI sales agent สำหรับอุตสาหกรรมบริการภายในบ้าน รับสายลูกค้า → เสนอราคาโดยอิงจากปัญหา → นัดหมาย → ชำระเงิน ครบวงจรแบบอัตโนมัติ
• การโทรออก Wayfaster: ทำกระบวนการสรรหาบุคลากรให้เป็นอัตโนมัติ ดำเนินการโทรคัดกรองผู้สมัครโดยอัตโนมัติเพื่อให้โฟกัสกับผู้สมัครที่ดีที่สุด
• การแพทย์ การต่อรองประกันภัย: ใช้ LLM วิเคราะห์เอกสารประกันและประวัติผู้ป่วยหลายพันรายการ เพื่อสนับสนุนการเจรจาแบบเรียลไทม์

หลักการลงทุนในเทคโนโลยี Voice AI

• ระบบนิเวศ Voice AI มีโอกาสในการสร้างสตาร์ทอัพมากที่สุดที่ชั้น developer platform และ applications
• ด้วยความเร็วของการพัฒนาโมเดลที่สูงขึ้น ทำให้ผู้ประกอบการสามารถพัฒนาและทดสอบ MVP (ผลิตภัณฑ์ต้นแบบที่ใช้งานได้ขั้นต่ำ) อย่างมีประสิทธิภาพได้อย่างรวดเร็วด้วยเงินลงทุนเริ่มต้นไม่มาก
• 1. โซลูชันที่ผสานลึกกับ workflow รายอุตสาหกรรมและมัลติโมดาลิตี
  • แอปพลิเคชัน voice AI ที่ทรงอิทธิพลที่สุดจะผสานเข้ากับ workflow ของอุตสาหกรรมเฉพาะ อย่างลึกซึ้ง
  • ปรับให้เหมาะกับภาษาและรูปแบบบทสนทนาเฉพาะของแต่ละอุตสาหกรรม
  • ตัวอย่าง:
    • voice agent สำหรับดีลเลอร์รถยนต์ที่เชื่อมกับ CRM และใช้ข้อมูลปฏิสัมพันธ์ลูกค้าในอดีตเพื่อยกระดับคุณภาพบริการและเพิ่มความเร็วในการ deploy
    • ผสานหลาย modality เช่น เสียง ข้อความ และภาพ เพื่อแก้กระบวนการหลายขั้นตอนที่ซับซ้อนของมนุษย์
• 2. มอบผลิตภัณฑ์คุณภาพสูงด้วยวิศวกรรมที่แข็งแกร่ง
  • การสร้างเดโมสำหรับ hackathon ค่อนข้างง่าย แต่ผลิตภัณฑ์จริงต้องการ ความน่าเชื่อถือสูง ความสามารถในการขยาย และความสามารถในการรองรับ use case จริง
  • ข้อกำหนดขององค์กร: ประสิทธิภาพที่สม่ำเสมอ รับประกัน latency ต่ำ การผสานกับระบบเดิมอย่างราบรื่น
  • องค์ประกอบการออกแบบสำคัญ: การจัดการอินพุตเสียงที่คาดเดาไม่ได้ การเสริมความปลอดภัย การรักษา uptime สูง
• 3. สร้างสมดุลระหว่างการเติบโต การรักษาลูกค้า และ KPI ด้านคุณภาพผลิตภัณฑ์
  • voice agent มีศักยภาพการเติบโตสูงในฟังก์ชันที่ขับเคลื่อนรายได้ เช่น งานขาย
  • เมื่อองค์กรย้าย workflow หลักจากมนุษย์ไปเป็น agent คุณภาพที่ลดลง อาจนำไปสู่ churn สูง

KPI และตัวชี้วัดคุณภาพที่สำคัญ

• Churn (อัตราการสูญเสียลูกค้า):
  • ในระยะแรก แอปพลิเคชันเสียงจำนวนมากเผชิญปัญหาอัตราการยกเลิกใช้งานสูง
  • เกิดขึ้นเมื่อบริการไม่น่าเชื่อถือจนลูกค้าย้ายไปหาคู่แข่ง
• Self-Serve Resolution (อัตราการแก้ปัญหาด้วยตนเอง):
  • บ่งชี้ว่า voice agent สามารถแก้ปัญหาของผู้ใช้ได้อย่างมีประสิทธิภาพเพียงใดโดยไม่ต้องมีมนุษย์เข้ามาแทรกแซง
• Customer Satisfaction Score (คะแนนความพึงพอใจของลูกค้า):
  • วัดความพึงพอใจโดยรวมของลูกค้าที่มีปฏิสัมพันธ์กับ voice agent เพื่อให้ข้อมูลเชิงลึกด้านคุณภาพ
• Call Termination Rates (อัตราการยุติสาย):
  • อัตราที่ยุติสายสูงบ่งชี้ถึงปัญหาด้านประสบการณ์ผู้ใช้และปัญหาที่ยังไม่ได้รับการแก้ไข
• Cohort Call Volume Expansion (การขยายปริมาณการโทรของ cohort):
  • วัดว่าลูกค้าเพิ่มการใช้งาน voice agent เมื่อเวลาผ่านไปหรือไม่ เป็นตัวชี้วัดคุณค่าของผลิตภัณฑ์และการมีส่วนร่วมของผู้ใช้

อนาคตของ Voice AI

• ความก้าวหน้าทางเทคโนโลยีในช่วงไม่กี่ปีที่ผ่านมาได้เปิดทางสู่การพัฒนาผลิตภัณฑ์นวัตกรรมที่สามารถแก้ปัญหาซับซ้อนได้
• คาดว่าในอนาคต ระบบมัลติโหมดและระบบสนทนาแบบเรียลไทม์จะเข้ามาช่วยแก้ปัญหาได้มากขึ้นในหลากหลายอุตสาหกรรม

[xguru]

ผมเคยทำงานฝั่ง IVR มาก่อน เลยสนใจด้านนี้เป็นพิเศษครับ

ลองอ่านบทความ ทุกเรื่องเกี่ยวกับเอเจนต์เสียง AI ที่ a16z สรุปไว้ ไปด้วยได้ครับ