Alexey Aylarov，Voximplant联合创始人兼CEO – 采访系列

Alexey Aylarov在从事通信工具开发十年后联合创立了Voximplant。他的早期工作包括IP PBX开发和在云电信成为主流之前运营自己的电信软件公司。之后，他创立了Zingaya，实现了浏览器内的点击拨打功能。Voximplant紧随其后，发展成为开发者依赖的实时语音和视频的无服务器平台。Alexey撰写关于语音AI的实用方面的文章，特别是大型语言模型与全球电信现实的碰撞。

您在2000年代中期开始了VoIP工程师的职业生涯，当时AI尚未进入实时通信领域。您当时看到的最大差距是什么，最后促使您创立了Voximplant?

我从2005年开始参与VoIP系统的开发。当时，构建可靠的通信系统是缓慢而复杂的。我注意到许多开发人员与我共享同样的沮丧感——团队试图将电信组件连接起来，而不是专注于他们实际想要交付的产品体验。这促使我转向开发人员的可编程通信理念。我们希望创建一个产品，允许每个人构建产品，而无需成为电信专家。

在Voximplant之前，我联合创立了基于SIP的呼叫服务Flashphone和Zingaya，提供了早期的点击拨打产品。需求再次证明了团队希望有可编程的通信，但工具还没有准备好。这一切都导致了2013年Voximplant的诞生。

今天，我们看到一个类似的差距，但规模更大。语音AI正在进入生产流程，LLM每月都在不断演进，但全球电话网络仍然碎片化。没有单一的供应商能够从头到尾解决所有问题。这就是为什么Voximplant作为一个编排层，提供开发人员快速、经济高效的方式来尝试最新、最先进的工具，并在真正的电话呼叫中部署语音代理，而无需担心电信基础设施或流媒体复杂性。

Voximplant将自己定位为一个编排层，而不是单一的AI或电信提供商。您为什么认为编排是构建语音AI未来的正确抽象层?

从一开始，我们就希望成为全球性的，这意味着我们需要进行一些电信编排。技术要求和基础设施因国家而异，我们在190多个国家提供电话号码，这意味着我们需要进行大量的技术调解。

此外，电信标准如SIP已经演变成各个供应商的不同风格。连接不同的电信运营商和各种客户通信基础设施需要灵活的系统，可以快速适应。新的电话网络，如WhatsApp，继续推动这一需求——而这还没有考虑到实际执行客户独特应用逻辑的通信控制层逻辑。

在AI方面，市场竞争非常激烈，正在迅速演变。今天的“最佳”供应商可能明天就会排名第二或第三。我们的方法是支持尽可能多的领先供应商。我们希望我们的客户始终拥有最先进的选择，以满足他们的特定应用程序需求——甚至可以混合和匹配。我们的编排平台还旨在使供应商之间的切换更加简单，同时仍然暴露他们的全部功能，以便开发人员不会被限制在最低公分母的功能集上。

许多团队低估了语音AI代理在真实电话呼叫中进行呼叫和管理的难度。从您的角度来看，什么使得现实世界的电信比纯数字AI交互更加具有挑战性?

电话网络仍然高度碎片化和不一致，且不可预测。在某些国家，某些协议可能被限制或阻塞，运营商会经历正常运营中的中断，呼叫路由模式会在一天中发生变化。还有一些地区，云电信可能具有法律复杂性。

我们还看到过基础设施本身成为瓶颈的案例。例如，一个澳大利亚的医疗保健初创公司正在构建一个AI呼叫器来检查老年粤语患者，遇到了高延迟到美国基于的语音AI供应商（如OpenAI或ElevenLabs），以及高质量粤语TTS的有限可用性，使得对话感觉缓慢和不自然。

除了可靠性之外，还有合规层。要求在各个国家之间差异很大，通常与HIPAA、PCI DSS和GDPR等框架重叠。

语音性能本身也不是普遍的。没有单一的STT或TTS引擎在每个环境中都能最好地工作。口音、背景噪音、呼叫质量波动，甚至供应商的恶化都可能导致准确性和用户体验的突然下降。

一些语音AI系统今天依赖于多个供应商的LLM、语音转文本、文本转语音和路由。为什么这种碎片化是不可避免的，为什么更换AI或语音供应商应该是一个快速的代码更改，而不是一个重大工程项目?

早期的语音AI没有真正的语音转语音选项，因此您必须将语音转文本、LLM和文本转语音拼凑在一起。今天，几个LLM供应商直接集成了语音（通常带有一些级别的打断支持），消除了构建完整管道的需要。这些系统更快、更具交互性，但仍然具有功能呼叫和改进转录和语音的选项有限。我们预计基于语音的LLM很快将与文本模型相当。即使那样，客户可能仍然希望使用不同的语音供应商来满足他们的特定需求。管道的某些分离也为冗余提供了选择。

在我们的平台上切换AI和语音供应商并不是一个重大的工程工作，但也不是一行代码的更改。语音供应商不断与商品化作斗争，通过引入独特的功能。我们保持连接器的一致性，同时暴露每个供应商的功能，因此利用这些独特的功能、切换供应商通常意味着更改几行代码。

语音AI代理如何开始改变客户支持、销售和其他B2C运营的经济学，相比传统的呼叫中心模型?

可能还为时过早，无法谈论客户支持的经济学发生了显著的转变，但它绝对会来。今天，有些地区的客户支持代表的成本低于LLM驱动的服务，但这种模式带来了众所周知的挑战，例如可扩展性、倦怠、管理和运营。随着LLM优化的继续改进，我假设经济学将会发生显著的变化，尽管这仍需要一些时间。

哪些信号表明语音AI正在从实验转向企业的任务关键型基础设施?

这里最强的信号是语音AI基础设施的投资正在迅速增长。有方法可以跟踪语音AI启用的呼叫或分钟，尽管不能完全准确，但可以通过估计。虽然我只能直接跟踪Voximplant的数据，但我们明显看到强劲的增长。

您如何看待开发人员对灵活性和控制的期望的变化，随着AI模型和语音技术的迭代速度加快?

这是一个有趣的问题。谈到变化的速度，AI无与伦比。控制和灵活性则不那么直接，取决于我们对这些术语的理解。当谈到控制时，有很多众所周知的挑战，克服它们并不容易。大多数AI公司在模型防护栏上投入了大量的努力，但要做好这件事需要深入的专业知识，不同的公司显然有不同的目标。

公司在尝试直接在传统电信系统上部署语音AI代理时最常犯的错误是什么?

传统的电信系统与语音AI服务不直接兼容，因此它们通常需要额外的集成，通常通过SIP协议或WebSockets。常见的错误包括不充分的故障转移管理、延迟问题（可能由各种因素引起）和可扩展性挑战。

电信本身可以很好地扩展，尤其是VoIP。语音AI服务更难扩展，因为运行LLM所需的硬件要求，而甚至像亚马逊这样的基础设施大玩家也可能在推理硬件方面面临容量限制。

展望未来，语音AI平台必须支持哪些功能才能在实时AI变得更加自治的同时保持相关性?

我认为语音AI平台需要专注于SLA，因为这仍然可能是一个问题。此外，还需要额外的测试和可观察性工具。

最终，最高级的平台将提供所需的一切，但今天，我们仍然每天学习新的教训，其中许多应该成为核心堆栈的一部分。如果您与大型企业合作或在受监管的环境中工作，拥有产品的本地版本可能是至关重要的。

回顾您从早期VoIP基础设施到今天领导语音AI平台的旅程，您对行业的发展最感到惊讶的是什么?

有很多事情让我感到惊讶，但其中之一是VoIP基础设施的变化需要多年时间。一个很好的例子是，电信仍然依赖于窄带音频编解码器（G.711、G.729），而人们已经习惯了在线通信服务（如Zoom、Google Meet、WhatsApp等）中的宽带音频。

大多数AI模型也都是在宽带音频数据上训练的。所有现代移动电话都内置有宽带音频编解码器，但运营商级别仍然存在显著的互操作性挑战，阻止了宽带音频在传统电话呼叫中使用。这并不是说没有任何进展，但在我看来，这种进展非常缓慢。