โมเดล AI แบบ Speech-to-speech ทำให้การโทรด้วยเสียงรวดเร็วและเป็นธรรมชาติมากพอจนโทรศัพท์ ซึ่งถูกมองว่าเป็นช่องทางที่เสื่อมถอยมานาน กำลังถูกสร้างขึ้นใหม่ให้เป็นช่องทางการบริการอันดับแรก แทนที่จะถูกยกเลิกไป
Human-Grade Voice Agents คือระบบ AI ที่สร้างขึ้นจากโมเดล speech-to-speech แบบเรียลไทม์ ซึ่งเป็นสถาปัตยกรรมที่ประมวลผลและสร้างเสียงได้โดยตรง โดยไม่มีความล่าช้าจากการถอดเสียงพูดเป็นข้อความแล้วแปลงกลับมาอีกครั้ง ผลลัพธ์ที่ได้คือการสนทนาที่มีจังหวะที่เป็นธรรมชาติ: มีการขัดจังหวะ การพูดซ้อนกัน และเวลาตอบสนองที่ใกล้เคียงกับความล่าช้าของมนุษย์
สิ่งนี้สำคัญเพราะบอทเสียงรุ่นเก่าสร้างขึ้นจากไปป์ไลน์ที่เชื่อมต่อกัน — การรู้จำเสียงพูด จากนั้นเป็นโมเดลข้อความ แล้วจึงเป็นการสังเคราะห์เสียงพูด — และทุกรอยต่อในห่วงโซ่นั้นเพิ่มความล่าช้าและลดทอนน้ำเสียง ลูกค้าได้ยินถึงความไม่ราบรื่น พวกเขาพูดชัดถ้อยชัดคำเกินไป พูดซ้ำ และยอมแพ้
เมื่อปัญหาความล่าช้าและความเป็นธรรมชาติได้รับการแก้ไข เสียงก็หยุดเป็นช่องทางที่ธุรกิจพยายามหลีกเลี่ยง และกลายเป็นช่องทางที่พวกเขาสามารถใช้ AI ได้ในวงกว้าง โดยสงวนตัวแทนที่เป็นมนุษย์ไว้สำหรับสิ่งที่ต้องการมนุษย์อย่างแท้จริง
Why we think it'll come up
The pipeline collapsed into one model
Speech-to-text-to-speech stacks introduced compounding delay and lost prosody at each conversion step. Native speech-to-speech models process audio directly, cutting turnaround to a pace that feels conversational rather than transactional.
Contact centres are re-platforming around voice, not away from it
Where roadmaps assumed voice volume would keep migrating to chat and self-service, providers are now building AI voice agents as a primary resolution layer for phone queues, not a deflection script that stalls before a human takeover.
Tone recognition is becoming table stakes
Because the model hears actual audio rather than a flattened transcript, it can register hesitation, frustration, or urgency in a caller's voice — information a text-based bot structurally cannot access.
What it changes for customer experience
For customers
Calling a business no longer means a menu-driven bot or a long hold — it means being understood on the first attempt, at any hour, without repeating the account number three times.
For business
Voice, previously the most expensive channel per contact, becomes viable to scale with AI, changing the unit economics of support and outbound service alike.
For CX & operations
Escalation design becomes the differentiator: the value now sits in knowing precisely when to hand a call to a human, not in avoiding the phone altogether.
Industries on the front line
ช่องทางที่ทุกคนพยายามออกแบบให้ห่างหายไป
เป็นเวลากว่าทศวรรษที่โทรศัพท์เป็นช่องทางที่กลยุทธ์ประสบการณ์ลูกค้าพยายามเลิกใช้ไปอย่างเงียบๆ ทุกแผนงานชี้ไปในทิศทางเดียวกัน: ย้ายปริมาณงานไปที่แชท, ผลักดันการบริการตนเอง, ถือว่าการโทรศัพท์เป็นหลักฐานว่าการเปลี่ยนไปใช้ดิจิทัลล้มเหลว บอทเสียงมีอยู่จริง แต่ทุกคนก็รู้ดีว่ามันคืออะไร — รูปแบบการรอคอยที่ขับเคลื่อนด้วยเมนูก่อนที่มนุษย์จะเข้ามาดูแล ลูกค้าพูดชัดถ้อยชัดคำเกินไป, พูดหมายเลขบัญชีซ้ำๆ, และรอการโอนสายที่หลีกเลี่ยงไม่ได้
เส้นทางนั้นได้กลับทิศทาง ไม่ใช่เพราะความต้องการใช้โทรศัพท์กลับมา แต่เป็นเพราะเทคโนโลยีที่อยู่เบื้องหลังมันเปลี่ยนไป โมเดล AI แบบ Speech-to-speech ประมวลผลและสร้างเสียงโดยตรง โดยไม่ต้องแปลเสียงเป็นข้อความแล้วกลับมาอีกครั้ง ผลลัพธ์ที่ได้คือการสนทนาที่มีจังหวะที่เป็นธรรมชาติ — การขัดจังหวะ, การพูดทับซ้อนกัน, เวลาตอบสนองที่ใกล้เคียงกับความล่าช้าของมนุษย์ เสียงไม่ใช่ช่องทางที่ธุรกิจพยายามหลีกเลี่ยงอีกต่อไป มันกำลังกลายเป็นช่องทางที่พวกเขาสามารถใช้ AI ในขนาดใหญ่ได้
ทำไมระบบเก่าถึงซ่อนไม่ได้
บอทเสียงรุ่นก่อนสร้างขึ้นจากระบบที่ต่อกัน: การรู้จำเสียงพูด, จากนั้นเป็นโมเดลข้อความ, แล้วจึงเป็นการสังเคราะห์เสียงพูด ทุกรอยต่อในห่วงโซ่นั้นเพิ่มความล่าช้าและลดทอนน้ำเสียง ลูกค้าได้ยินรอยต่อ — ความเงียบก่อนการตอบกลับ, การพูดที่ราบเรียบไร้อารมณ์ที่ทำให้ชัดเจนว่าพวกเขากำลังคุยกับสคริปต์มากกว่าที่จะถูกรับฟัง
โมเดล Speech-to-speech แบบดั้งเดิมจะรวมระบบนั้นให้เป็นหนึ่งเดียว เนื่องจากโมเดลประมวลผลเสียงจริงแทนที่จะเป็นข้อความที่ราบเรียบ มันจึงรับรู้ถึงความลังเล, ความหงุดหงิด, หรือความเร่งด่วนในเสียงของผู้โทร — ข้อมูลที่บอทที่ใช้ข้อความไม่สามารถเข้าถึงได้ตามโครงสร้าง การเปิดตัว Realtime API ของ OpenAI ในเดือนตุลาคม 2024 ถือเป็นจุดที่ AI สนทนาแบบ Speech-to-speech ที่มีความหน่วงต่ำสามารถใช้งานได้โดยตรงจากอินพุตเสียง แทนที่จะต้องผ่านตัวกลางที่เป็นข้อความ การเปลี่ยนแปลงทางสถาปัตยกรรมเพียงครั้งเดียวนั้นคือสิ่งที่แยกบอทที่ลูกค้าทนได้ออกจากบอทที่พวกเขาไม่สังเกตเห็น
รอยต่อคือสิ่งที่ลูกค้าได้ยินจริงๆ ขจัดรอยต่อออกไป และช่องทางนั้นก็จะหยุดส่งสัญญาณถึงข้อจำกัดของตัวเอง
การปรับแพลตฟอร์มใหม่โดยเน้นเสียง ไม่ใช่หลีกเลี่ยงเสียง
การเปลี่ยนแปลงเชิงกลยุทธ์นี้เห็นได้ชัดในวิธีการสร้างศูนย์บริการลูกค้าในปัจจุบัน ในอดีต แผนงานเคยสันนิษฐานว่าปริมาณการโทรจะยังคงย้ายไปที่แชทและการบริการตนเอง แต่ผู้ให้บริการกำลังปรับแพลตฟอร์มใหม่สำหรับตัวแทน AI เสียงให้เป็นชั้นการแก้ไขปัญหาหลักสำหรับคิวโทรศัพท์ — ไม่ใช่สคริปต์การเบี่ยงเบนที่ออกแบบมาเพื่อถ่วงเวลาจนกว่ามนุษย์จะเข้ามาดูแล นี่คือข้อกำหนดการออกแบบที่แตกต่างกันอย่างมีความหมาย มันหมายถึงการสร้างเพื่อการแก้ไขปัญหา ไม่ใช่การควบคุม
นอกจากนี้ยังเป็นการพลิกกลับเศรษฐศาสตร์แบบเก่าอีกด้วย เสียงเป็นช่องทางที่มีค่าใช้จ่ายสูงที่สุดต่อการติดต่อ ซึ่งเป็นเหตุผลว่าทำไมจึงถูกออกแบบให้ลดลงแทนที่จะเพิ่มขึ้น เมื่อปัญหาความล่าช้าและความเป็นธรรมชาติได้รับการแก้ไข โครงสร้างต้นทุนนั้นก็เปลี่ยนไป เสียงกลายเป็นช่องทางที่สามารถขยายขนาดด้วย AI ได้ ทำให้เศรษฐศาสตร์ต่อหน่วยของการสนับสนุนขาเข้าและบริการขาออกเปลี่ยนแปลงไป
คุณค่าที่แท้จริงเคลื่อนย้ายไปอยู่ที่ใด
ทั้งหมดนี้ไม่ได้ทำให้ความจำเป็นของตัวแทนมนุษย์หมดไป — แต่มันย้ายตำแหน่งที่คุณค่าของพวกเขาอยู่ ความแตกต่างไม่ใช่ว่าธุรกิจจะหลีกเลี่ยงโทรศัพท์ได้หรือไม่ แต่เป็นว่าธุรกิจรู้ได้อย่างแม่นยำเมื่อใดที่จะส่งสายให้มนุษย์ การออกแบบการยกระดับกลายเป็นวินัยที่แยกตัวแทนเสียงที่มีประโยชน์อย่างแท้จริงออกจากตัวแทนที่ฟังดูน่าเชื่อถือจนกระทั่งมันไม่เป็นเช่นนั้น
- สำหรับลูกค้า: การโทรหมายถึงการได้รับการเข้าใจตั้งแต่ครั้งแรก ทุกชั่วโมง โดยไม่ต้องพูดหมายเลขบัญชีซ้ำสามครั้ง
- สำหรับธุรกิจ: ช่องทางที่เคยถูกมองว่าเป็นศูนย์ต้นทุนกลายเป็นสิ่งที่ใกล้เคียงกับสายบริการที่ปรับขนาดได้
- สำหรับ CX และการดำเนินงาน: ความได้เปรียบในการแข่งขันอยู่ที่ตรรกะการส่งต่อ ไม่ใช่การหลีกเลี่ยงช่องทาง
เริ่มต้นที่ไหนดี
จุดเริ่มต้นที่สมเหตุสมผลคือการจำกัดวง ไม่ใช่การกวาดล้างทั้งหมด ทดลองใช้ในขั้นตอนการโทรที่มีปริมาณมากและมีสคริปต์ที่ดี — การสอบถามเกี่ยวกับบิลหรือการเปลี่ยนแปลงการนัดหมายเป็นตัวเลือกที่ชัดเจน — โดยมีการส่งต่อที่ชัดเจนและผ่านการทดสอบไปยังตัวแทนมนุษย์สำหรับเรื่องที่เกี่ยวข้องกับอารมณ์หรือคลุมเครือ สิ่งนี้ใช้ได้ผลเป็นพิเศษในโทรคมนาคม, ธนาคารและบริการทางการเงิน, ประกันภัย, การดูแลสุขภาพ, และการเดินทางและการบริการ ซึ่งมีปริมาณการโทรสูงและค่าใช้จ่ายของการจัดการการยกระดับที่ผิดพลาดนั้นส่งผลต่อชื่อเสียงพอๆ กับการดำเนินงาน
บทเรียนที่ฝังอยู่ในการล่มสลายของระบบคือบทเรียนที่กว้างขึ้นสำหรับการออกแบบ CX: ความเป็นธรรมชาติไม่เคยเป็นสิ่งที่ "มีก็ดี" ที่เพิ่มเข้ามาบนฟังก์ชันการทำงาน มันคือฟังก์ชันที่ขาดหายไป ตัวแทนเสียงที่แก้ไขปัญหาได้อย่างรวดเร็วแต่ฟังดูเหมือนเครื่องจักรยังคงถูกมองว่าเป็นกลยุทธ์การเบี่ยงเบนสำหรับคนที่อยู่ปลายสายอีกฝั่งหนึ่ง ตัวแทนที่ฟังดูเหมือนมนุษย์ และรู้ว่าเมื่อใดควรหยุดแกล้งทำเป็นมนุษย์ จะกลายเป็นสิ่งที่ลูกค้าจะเลือกโทรหาจริงๆ
นำร่องตอนนี้ในขั้นตอนการโทรที่มีปริมาณมากและมีสคริปต์ที่ดี เช่น การสอบถามการเรียกเก็บเงินหรือการเปลี่ยนแปลงการนัดหมาย โดยมีการส่งต่อที่ชัดเจนและผ่านการทดสอบไปยังเจ้าหน้าที่ที่เป็นมนุษย์สำหรับเรื่องที่เกี่ยวข้องกับอารมณ์หรือคลุมเครือ
Trends Radar
Other trends
Build for what's next
Turn this trend into a measurable experience advantage.