โมเดลและแพลตฟอร์ม AI
aiOla เปิดตัว QUASAR เพื่อเปลี่ยนแปลงวิธีการทำงานของการรู้จำเสียงพูดในระดับ Production

ประเด็นสำคัญQUASAR นำทางสัญญาณเสียงไปยังเครื่องมือรับรู้เสียงพูด (ASR)…
ดูเพิ่มเติม
- QUASAR นำทางสัญญาณเสียงไปยังเครื่องมือรับรู้เสียงพูด (ASR) ที่ดีที่สุดแบบไดนามิกสำหรับแต่ละการโต้ตอบที่ไม่เหมือนใคร
- ไม่มีผู้ให้บริการ ASR รายใดที่ทำงานได้ดีเยี่ยมครอบคลุมทุกสำเนียงพื้นเมือง สภาพแวดล้อมที่มีเสียงรบกวน และคำศัพท์ในโลกความเป็นจริง
- แพลตฟอร์มของ aiOla จัดการการรับรู้เสียงพูดในฐานะโครงสร้างพื้นฐานที่ปรับเปลี่ยนได้ ไม่ใช่การเลือกผู้ให้บริการแบบตายตัว
aiOla ได้เปิดตัว QUASAR ซึ่งเป็นแพลตฟอร์มที่ออกแบบมาเพื่อแก้ไขปัญหาหนึ่งที่คงอยู่ในด้าน voice AI ขององค์กร ซึ่งก็คือ การรู้จำเสียงพูดที่ไม่สม่ำเสมอในสถานการณ์จริง แทนที่จะบังคับให้ลูกค้าใช้การรู้จำเสียงพูดอัตโนมัติ (ASR) จากผู้ให้บริการเดียว QUASAR จะทำงานเป็นประตูอัจฉริยะที่ส่งต่อการร้องขอเสียงแต่ละครั้งไปยัง ASR ที่มีแนวโน้มว่าจะมีประสิทธิภาพดีที่สุดสำหรับการสนทนานั้น
การเปลี่ยนแปลงนี้สำคัญเพราะเสียงพูดกำลังเป็นข้อมูลป้อนเข้าหลักของกระบวนการทำงานที่ขับเคลื่อนด้วย AI ในศูนย์บริการลูกค้า การปฏิบัติตามข้อกำหนด การวิเคราะห์ การค้นหา และเอเจนต์ AI อิสระที่มีบทบาทมากขึ้น แม้คะแนนเบนช์มาร์กมักใช้เลือก ASR แต่สภาพแวดล้อมใช้งานจริงมีทั้งสำเนียง เสียงรบกวน คำศัพท์เฉพาะสาขา และคุณภาพเครือข่ายที่ผันผวน ซึ่งอาจเปลี่ยนความแม่นยำอย่างมากระหว่างแต่ละการสนทนา
ทำไม ASR แบบ One-Size-Fits-All จึงล้มเหลวในระดับใหญ่
ส่วนใหญ่ขององค์กรในปัจจุบันจะใช้ ASR เป็นการตัดสินใจด้านโครงสร้างพื้นฐาน โดยเลือกผู้ให้บริการ ASR เดียวตามคะแนนการประเมินโดยรวมแล้วฝังตัวไว้ในกระบวนการทำงาน แต่ในทางปฏิบัติแล้ว สิ่งนี้ทำให้เกิดจุดบอด ASR ที่มีประสิทธิภาพสูงในการรู้จำเสียงพูดที่สะอาดและอ่านออกเสียงอาจต้องดิ้นรนในการรู้จำเสียงพูดที่มีเสียงพื้นหลังหรือคำศัพท์ที่เฉพาะเจาะจง ในขณะที่ ASR อีกตัวอาจสามารถจัดการกับเสียงพื้นหลังได้ดี แต่พลาดการรู้จำชื่อเฉพาะหรือลำดับตัวเลขที่สำคัญต่อการปฏิบัติตามข้อกำหนดและการเรียกเก็บเงิน
การเปลี่ยนผู้ให้บริการ ASR เพื่อแก้ไขช่องว่างเหล่านี้มีค่าใช้จ่ายสูงและอาจทำให้เกิดการหยุดชะงัก ซึ่งอาจต้องมีการฝึกอบรมใหม่ การตรวจสอบใหม่ และการหยุดทำงาน ในขณะที่มีการเปิดตัว ASR ใหม่และอัปเดตอย่างต่อเนื่อง ซึ่งเกินความสามารถขององค์กรในการทดสอบและนำไปใช้ ส่งผลให้สัดส่วนการจัดการคำขอที่ไม่ต้องใช้พนักงานลดลง สรุปข้อมูลไม่ถูกต้อง การวิเคราะห์ที่อ่อนแอ และภาระงานประกันคุณภาพที่สูงขึ้น ทั้งหมดนี้เกิดจากข้อผิดพลาดในการถอดเสียงที่สามารถหลีกเลี่ยงได้
ภายในโครงสร้างของ QUASAR: การรู้จำเสียงพูดเป็นปัญหาแบบไดนามิก
QUASAR มองการรู้จำเสียงพูดเป็นปัญหาในการเพิ่มประสิทธิภาพในเวลาจริง โดยการประเมินการร้องขอเสียงแต่ละครั้งก่อนที่จะทำการรู้จำเสียงพูด โดยพิจารณาจากปัจจัยต่างๆ เช่น ลักษณะของเสียงพูด สภาพแวดล้อมเสียงพื้นหลัง และบริบทของโดเมน จากการประเมินนี้ ระบบจะส่งต่อเสียงไปยัง ASR ที่มีประสิทธิภาพสูงสุดสำหรับการรู้จำเสียงพูดในขณะนั้น
จากมุมมองทางเทคนิค QUASAR ทำงานเป็นชั้นการประสานงานที่สามารถทำงานร่วมกับ API ของคลาวด์เชิงพาณิชย์ โมเดลที่ติดตั้งเอง และการนำ ASR มาใช้เอง ชั้นนามธรรมนี้ช่วยให้องค์กรสามารถทดลองกับ ASR ใหม่ๆ จัดสรรต้นทุนและคุณภาพ และหลีกเลี่ยงการล็อกติดกับผู้ให้บริการโดยไม่ต้องเปลี่ยนแปลงแอปพลิเคชันในระดับล่าง
ที่แก่นกลางของ QUASAR คือกลไกการประเมินและจัดอันดับแบบไม่จำเป็นต้องมีการกำกับดูแล ซึ่งให้คะแนน ASR ต่างๆ ในเวลาจริง แทนที่จะพึ่งพาค่าเฉลี่ยทางประวัติศาสตร์ ระบบจะเรียนรู้อย่างต่อเนื่องจากสภาพแวดล้อมจริง ทำให้การตัดสินใจในการรู้จำเสียงพูดปรับเปลี่ยนไปตามสภาพแวดล้อม ผู้พูด และกรณีการใช้งานที่เปลี่ยนแปลงไป
ประสิทธิภาพในการรู้จำเสียงพูดในสถานการณ์จริง
ในการประเมินภายในที่ครอบคลุมหกรายการฐานข้อมูลมาตรฐานที่หลากหลาย ตั้งแต่เสียงพูดที่อ่านออกเสียงและเสียงพูดระดับมืออาชีพ ไปจนถึงเสียงพูดที่มีสำเนียง เสียงรบกวน และศัพท์การเงินเฉพาะทาง QUASAR ได้เลือก ASR ที่มีประสิทธิภาพสูงสุดด้วยความแม่นยำโดยรวม 88.8% หรือตัวเลือกที่ดีที่สุดเมื่อผลลัพธ์เท่ากัน ความแม่นยำสูงถึง 97% สำหรับเสียงพูดที่สะอาดและอยู่ในช่วง 79-88% สำหรับเสียงพูดที่ท้าทายซึ่งมีสำเนียง เสียงรบกวน และคำศัพท์เฉพาะ
ผลลัพธ์เหล่านี้เน้นย้ำถึงข้อค้นพบสำคัญว่า ไม่มี ASR เดียวที่ชนะอย่างต่อเนื่องในทุกสถานการณ์ แต่การกำหนดเส้นทางอัจฉริยะสามารถจับข้อดีของ ASR หลายตัวได้
การเปิดใช้งานเสียงพูดเป็นโครงสร้างพื้นฐานที่มีชีวิต
โดยการแยกการรู้จำเสียงพูดออกจากผู้ให้บริการที่ตายตัว QUASAR ทำให้ ASR กลายเป็น “โครงสร้างพื้นฐานที่มีชีวิต” ตามที่ aiOla อธิบาย องค์กรสามารถมองเห็นประสิทธิภาพการรู้จำเสียงพูดได้อย่างละเอียดที่ระดับการโต้ตอบ และสามารถปรับให้เหมาะสมกับความแม่นยำ ต้นทุน หรือความหน่วงตามกรณีการใช้งาน
แนวทางนี้ยังเร่งการขยายไปสู่ภูมิภาคและภาคอุตสาหกรรมใหม่ๆ แทนที่จะรอผู้ให้บริการ ASR เดียวที่จะรองรับภาษา สำเนียง หรือคำศัพท์ที่เฉพาะเจาะจง องค์กรสามารถส่งต่อการร้องขอไปยัง ASR ที่เหมาะสมที่สุดสำหรับจุดเฉพาะนั้น และเปลี่ยนไปใช้ตัวเลือกที่ดีกว่าเมื่อมีการปรับปรุง
วิสัยทัศน์ที่กว้างขึ้นของ aiOla สำหรับกระบวนการทำงานที่ขับเคลื่อนด้วยเสียง
QUASAR ต่อยอดภารกิจของ aiOla ที่ต้องการให้เสียงเป็นส่วนติดต่อผู้ใช้ตามธรรมชาติของระบบองค์กร โมเดลที่จดสิทธิบัตรของบริษัทก้าวไกลกว่าการแปลงเสียงพูดเป็นข้อความทั่วไป โดยผสานการรู้จำเสียงกับความฉลาดของกระบวนการทำงาน เพื่อแปลงคำพูดเป็นข้อมูลมีโครงสร้างแบบเรียลไทม์ ทำให้ใช้งานระบบอัตโนมัติได้โดยไม่ต้องใช้มือในอุตสาหกรรมสำคัญที่การป้อนข้อมูลด้วยมือยังเป็นคอขวด
ด้วยเงินทุน 58 ล้านดอลลาร์และทีมที่ขับเคลื่อนด้วยการวิจัย aiOla กำลังวางตำแหน่งเสียงพูดไม่เพียงแต่เป็นวิธีการป้อนข้อมูลเท่านั้น แต่ยังเป็นโครงสร้างพื้นฐานสำหรับการดำเนินงาน AI ที่ขับเคลื่อนด้วยเสียง ด้วย QUASAR บริษัทกำลังขยายวิสัยทัศน์นี้ไปยังชั้น ASR เอง โดยท้าทายสมมติฐานที่มีมานานเกี่ยวกับวิธีการใช้ ASR ในระดับใหญ่
เมื่อเสียงพูดกลายเป็นส่วนติดต่อผู้ใช้หลักสำหรับทั้งเอเจนต์ AI และระบบองค์กร การรู้จำเสียงพูดที่มีบริบทและตระหนักถึงสถานการณ์อาจเป็นสิ่งจำเป็น การเปิดตัว QUASAR ส่งสัญญาณถึงการเปลี่ยนแปลงจากตัวเลือกแบบจำลองที่ตายตัวไปสู่การประสานงานที่ปรับตัวและขับเคลื่อนด้วยประสิทธิภาพ ซึ่งอาจเปลี่ยนแปลงวิธีที่ระบบ AI ที่ขับเคลื่อนด้วยเสียงทั้งหมดใช้ ASR












