เปรียบเทียบ Voice Agent แบบ speech-to-speech กับแบบ TTS ทั้งความหน่วง การควบคุมคำตอบ ภาษาไทย และต้นทุน พร้อมเช็กลิสต์ช่วยตัดสินใจสำหรับทีมซัพพอร์ต
หลายธุรกิจในไทยเริ่มจากแชตบอตบน LINE แล้วถูกถามว่า "ทำให้คุยด้วยเสียงได้ไหม" พอเริ่มหาข้อมูลก็เจอศัพท์สองคำที่ฟังคล้ายกันแต่ต่างกันมาก คือ TTS และ speech-to-speech บทความนี้อธิบายว่าสองแนวทางทำงานต่างกันอย่างไร แต่ละแบบเหมาะกับงานอะไร และมีเช็กลิสต์สั้น ๆ ให้ใช้ตัดสินใจก่อนลงทุน
สองสถาปัตยกรรม เป้าหมายเดียว
ทั้งสองแบบมีเป้าหมายเดียวกัน คือให้ลูกค้าพูดแล้วได้ยินคำตอบกลับมาเป็นเสียงอย่างเป็นธรรมชาติ ความต่างอยู่ที่ "ระหว่างทาง" ว่าเสียงของลูกค้าถูกประมวลผลอย่างไรก่อนกลายเป็นเสียงตอบ
- แบบ TTS (cascaded pipeline): แปลงเสียงเป็นข้อความก่อน ให้โมเดลภาษาคิดคำตอบเป็นข้อความ แล้วจึงสังเคราะห์ข้อความนั้นกลับเป็นเสียง
- แบบ speech-to-speech: โมเดลรับเสียงเข้าและสร้างเสียงออกโดยตรงในโมเดลเดียว โดยไม่ต้องแปลงเป็นข้อความเป็นขั้นตอนหลัก
ฟังดูเป็นเรื่องเทคนิค แต่ผลต่อธุรกิจชัดเจน ทั้งความเร็วในการตอบ ความควบคุมได้ของเนื้อหา ต้นทุน และความเสี่ยงเวลาตอบผิด
TTS pipeline ทำงานอย่างไร
แบบนี้เป็นสถาปัตยกรรมที่เห็นบ่อยที่สุดในระบบตอบรับโทรศัพท์ เพราะแยกเป็นชิ้นส่วนที่ตรวจสอบและเปลี่ยนได้ทีละส่วน
- 01ลูกค้าพูด
- 02ถอดเสียงเป็นข้อความ
- 03AI คิดคำตอบจากฐานความรู้
- 04สังเคราะห์ข้อความเป็นเสียง
จุดแข็งของแบบนี้คือ ข้อความอยู่ตรงกลางเสมอ ทำให้:
- ใช้เอเจนต์ข้อความเดิม ทั้งบุคลิก กฎ และฐานความรู้ ได้ง่ายขึ้น
- เก็บบันทึกเป็นตัวหนังสือไว้ตรวจย้อนหลังได้ว่าบอทตอบอะไรไป
- เลือกผู้ให้บริการเสียงได้อิสระ เช่น เปลี่ยนเสียงให้ตรงกับแบรนด์โดยไม่ต้องเปลี่ยนสมอง AI
- ใส่กติกาตรวจคำตอบก่อนพูดออกไปได้ เพราะคำตอบยังเป็นข้อความ
จุดอ่อนคือแต่ละขั้นต้องใช้เวลา ผลรวมจึงอาจเกิดช่วงเงียบก่อนบอทตอบ และน้ำเสียงบางครั้งฟังเรียบกว่าการคุยสด เพราะขั้นสังเคราะห์เสียงรู้เพียงข้อความ ไม่ได้ยินอารมณ์ของลูกค้า
speech-to-speech ทำงานอย่างไร
แบบนี้โมเดลฟังเสียงลูกค้าและสร้างเสียงตอบเองในที่เดียว ผลที่ได้คือจังหวะสนทนาลื่นกว่า รับมือการพูดแทรกได้ดีกว่า และจับน้ำเสียง เช่น ความรีบร้อนหรือความหงุดหงิด ได้มากกว่าการอ่านจากข้อความล้วน
ข้อควรระวังมีสามข้อ
- ควบคุมยากกว่า ข้อความตอบไม่ได้ผ่านจุดตรวจเหมือนแบบ TTS การรักษาคำตอบให้ตรงกับฐานความรู้จึงต้องอาศัยการทดสอบมากขึ้น
- พึ่งผู้ให้บริการรายเดียว โมเดลแบบนี้มักผูกกับผู้ให้บริการเฉพาะราย หากมีปัญหาจึงอาจไม่มีตัวสำรองให้สลับ
- ต้นทุนและภาษา ต้องทดสอบกับภาษาไทยจริง ทั้งสำเนียง คำทับศัพท์ และชื่อสินค้า ก่อนตัดสินใจใช้งานกับลูกค้า
เปรียบเทียบแบบเคียงข้างกัน
ไม่มีฝั่งไหนชนะทุกกรณี คำถามที่ถูกต้องคือ "งานของเราให้น้ำหนักกับอะไรมากกว่า"
สิ่งที่สำคัญที่สุดสำหรับงานซัพพอร์ต
งานซัพพอร์ตต่างจากการคุยเล่น ลูกค้าโทรมาเพื่อเช็กสถานะพัสดุ ถามเงื่อนไขการคืนสินค้า หรือจองคิว คำตอบที่ผิดมีราคา จึงควรเรียงลำดับความสำคัญดังนี้
1. ความถูกต้องของคำตอบ
ถ้านโยบายการคืนเงินหรือราคาต้องตรงเป๊ะ แบบ TTS ที่คำตอบผ่านข้อความและฐานความรู้เดียวกับแชตบน LINE ตรวจสอบง่ายกว่า
2. ความเร็วที่ลูกค้ารู้สึก
ทางโทรศัพท์ ช่วงเงียบสองสามวินาทีทำให้ลูกค้าสงสัยว่าสายหลุดหรือเปล่า ถ้าลูกค้าของคุณใจร้อนหรือชอบพูดแทรก ควรทดสอบความหน่วงจริงในสายโทรศัพท์ ไม่ใช่ดูแค่การสาธิตผ่านเว็บ
3. ภาษาไทยและคำเฉพาะ
ชื่อสินค้า ชื่อสาขา ชื่อถนน และคำทับศัพท์ภาษาอังกฤษคือจุดที่ผิดบ่อย ควรทดสอบด้วยรายการคำจริงของธุรกิจ
4. ข้อมูลส่วนบุคคลและ PDPA
เสียงของลูกค้าเป็นข้อมูลส่วนบุคคล ควรแจ้งลูกค้าว่ากำลังคุยกับ AI และมีการบันทึกหรือไม่ กำหนดระยะเวลาเก็บข้อมูล และจำกัดสิทธิ์คนที่เข้าถึงบันทึกเสียง รายละเอียดทางกฎหมายควรปรึกษาที่ปรึกษาของบริษัท
5. ทางออกเมื่อ AI ช่วยไม่ได้
ต้องมีเส้นทางส่งต่อให้คนเสมอ ไม่ว่าจะเลือกสถาปัตยกรรมใด
เลือกตามกรณีใช้งาน
ตัวอย่างต่อไปนี้เป็นสถานการณ์สมมติเพื่อประกอบการตัดสินใจ
- คลินิกหรือร้านเสริมสวยที่รับจองคิว: คำตอบมีรูปแบบชัด (วัน เวลา บริการ) ความถูกต้องสำคัญกว่าความเป็นธรรมชาติ แบบ TTS เหมาะ
- ร้านค้าออนไลน์ที่ลูกค้าโทรถามสถานะสั่งซื้อ: ต้องดึงข้อมูลจริงและตอบตรงตามนโยบาย แบบ TTS เหมาะ
- โรงแรมหรือรีสอร์ตที่ต้องการสัมผัสแบบต้อนรับ: น้ำเสียงและจังหวะมีผลต่อความรู้สึก อาจทดลอง speech-to-speech เพื่อดูว่าลูกค้ารู้สึกต่างหรือไม่
- ผู้ช่วยภายในที่คุยเรื่องการใช้งานระบบ: ผู้ใช้เป็นพนักงาน ความเสี่ยงต่ำกว่า เหมาะกับการทดลอง speech-to-speech
- ธุรกิจที่ลูกค้าทักผ่าน LINE หรือ Messenger เป็นหลัก: อาจยังไม่จำเป็นต้องมีเสียงเลย แชตข้อความเร็วและเก็บหลักฐานได้ง่าย เพิ่มเสียงเมื่อมีกลุ่มลูกค้าที่ต้องโทรจริง ๆ
เช็กลิสต์ตัดสินใจ
- ลูกค้าติดต่อผ่านช่องทางไหนมากที่สุด แชต หรือโทรศัพท์
- คำถามส่วนใหญ่ต้องตอบตรงตามเอกสารหรือไม่ ถ้าใช่ ให้เอนไปทาง TTS
- ยอมให้มีช่วงเงียบสั้น ๆ ได้หรือไม่
- ทดสอบภาษาไทยกับชื่อสินค้าและสถานที่จริงแล้วหรือยัง
- มีแผนสำรองหากผู้ให้บริการรายเดียวขัดข้องหรือไม่
- แจ้งลูกค้าเรื่อง AI และการบันทึกเสียงตาม PDPA แล้วหรือยัง
- มีขั้นตอนส่งต่อให้เจ้าหน้าที่ และรู้เวลาทำการของทีมหรือไม่
- ประเมินต้นทุนต่อนาทีเทียบกับปริมาณสายจริงแล้วหรือยัง
ทำเรื่องนี้ใน AI SNS CHAT
AI SNS CHAT มีเมนู Voice ในแถบด้านข้าง ซึ่งรวมหน้า Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls และอื่น ๆ
ฝั่ง TTS สำหรับเอเจนต์ของลูกค้า
- ตัวเลือกผู้ให้บริการเสียงมี Grok/xAI (ค่าเริ่มต้น), OpenAI (gpt-4o-mini-tts), ElevenLabs และเสียงจากเบราว์เซอร์
- ถ้าใช้ ElevenLabs จะมีคลังเสียง การออกแบบเสียง และการโคลนเสียง ตั้งค่าได้ที่หน้าเสียงของเอเจนต์
- ระบบเสียงรองรับ 22 ภาษา แต่บางภาษาใช้เสียงภาษาอังกฤษเป็นตัวสำรองทางโทรศัพท์ จึงควรทดสอบภาษาไทยใน Voice Playground ก่อนเปิดใช้งานจริง
- สายเข้า (Inbound calls) ใช้เบอร์ Twilio ที่เชื่อมต่อกับเอเจนต์แต่ละตัว มีการทดสอบ webhook และซ่อมแซมอัตโนมัติ
- สายออก (Outbound calls) เป็นแคมเปญโทรเป็นชุด ต้องมีเบอร์ Twilio ต้องโทรทดสอบก่อน และหยุดกลางคันได้
- ดูประวัติสายได้ที่ Call history และดูภาพรวมได้ที่ Voice analytics
- มีอวาตาร์พูดได้ ทำด้วย Simli lip-sync หรืออัปโหลดคลิปของคุณเอง
ฝั่ง speech-to-speech
Synthia ผู้ช่วยจัดการเอเจนต์ในแดชบอร์ด ใช้ speech-to-speech ผ่าน OpenAI Realtime API ซึ่งใช้ได้เฉพาะ OpenAI และไม่มีตัวสำรอง นอกจากนี้ยังมี Grok voice-to-voice ซึ่งโดยค่าเริ่มต้นตอบเฉพาะเจ้าของบัญชี ดังนั้นสำหรับสายที่ลูกค้าโทรเข้ามา แนวทางที่ใช้งานได้จริงในผลิตภัณฑ์ตอนนี้คือแบบ TTS
สิ่งที่ยังไม่พร้อม
เสียงผ่าน WhatsApp และเบอร์ PSTN ที่ระบบจัดการให้ยังเป็นรายชื่อรอ (Coming soon) ส่วนการตั้งค่า SIP trunk บันทึกได้ แต่ยังไม่พบเส้นทางสายที่ใช้ค่านั้น จึงไม่ควรวางแผนโดยพึ่งพาสองข้อนี้
ค่าใช้จ่ายและการส่งต่อ
- แผน Private AI ระบุ 1 นาทีเสียง = 4 เครดิต และผู้ดูแลระบบกำหนดเครดิตต่อนาทีได้ ควรยืนยันอัตราจริงในแผนของคุณ ส่วนข้อความแชตคิด 1 คำตอบ = 1 เครดิต
- ตั้งเวร Helpdesk → Scheduling เพื่อให้การส่งต่อไปยังคนที่อยู่เวร และแจ้งเตือนไปยัง Slack, Teams, LINE WORKS, WhatsApp, อีเมล หรือ webhook
- Helpdesk ต้องใช้แผน Standard ขึ้นไป ดูรายละเอียดแผนที่ ราคา และฟีเจอร์ทั้งหมดที่ ฟีเจอร์
- ด้านข้อมูล ดูแนวปฏิบัติที่ ความปลอดภัย ซึ่งออกแบบโดยอ้างอิง GDPR และ APPI และไม่ได้อ้างว่าได้รับการรับรองตามกฎหมาย PDPA ของไทย
คำถามที่พบบ่อย
speech-to-speech ดีกว่า TTS เสมอไปหรือไม่
ไม่เสมอไป speech-to-speech ให้จังหวะสนทนาที่ลื่นกว่า แต่ควบคุมและตรวจเนื้อหาได้ยากกว่า และมักผูกกับผู้ให้บริการรายเดียว สำหรับงานซัพพอร์ตที่ต้องตอบตรงตามเอกสาร แบบ TTS มักเหมาะกว่า
ใช้เอเจนต์ข้อความที่มีอยู่เดิมสำหรับเสียงได้ไหม
ในทางแนวคิดทำได้ เพราะแบบ TTS ใช้ข้อความเป็นตัวกลาง ใน AI SNS CHAT สายเข้าเชื่อมต่อกับเอเจนต์แต่ละตัวผ่านเบอร์ Twilio แนะนำให้ลองใน Voice Playground ก่อน แล้วปรับคำตอบให้สั้นลงให้เหมาะกับการฟัง
AI SNS CHAT มีตัวสำรองสำหรับ speech-to-speech หรือไม่
ไม่มี speech-to-speech ของ Synthia ใช้ OpenAI Realtime API เท่านั้นและไม่มีตัวสำรอง ส่วนข้อความแชตมีลำดับสำรองข้ามผู้ให้บริการ (Anthropic, OpenAI, Google, OpenRouter) ตามเงื่อนไขของแผน
ต้องมีเสียงสำหรับซัพพอร์ตบน LINE, WhatsApp หรือ Messenger ไหม
ไม่จำเป็นเสมอไป ถ้าลูกค้าส่วนใหญ่ทักเป็นข้อความ แชตก็ตอบได้ดีและเก็บบันทึกง่าย ตอนนี้เสียงผ่าน WhatsApp ยังเป็นรายชื่อรอ ให้เพิ่มช่องทางโทรศัพท์เมื่อมีลูกค้าที่ต้องการโทรจริง ๆ
ควรประเมินต้นทุนเสียงอย่างไร
คำนวณจากนาทีสนทนารวมต่อเดือน เช่น สมมติรับสาย 100 สาย สายละ 3 นาที เป็น 300 นาที ถ้าอัตราเป็น 4 เครดิตต่อนาทีก็เท่ากับ 1,200 เครดิต ตัวเลขนี้เป็นเพียงตัวอย่างสมมติ อัตราจริงดูได้จากแผนของคุณ และอย่าลืมค่าเบอร์โทรศัพท์ Twilio แยกต่างหาก

