ข้ามไปยังเนื้อหา
AI-SNS.IO — CHAT SUPPORTAI-SNS.IO — CHAT SUPPORT
เสียงและอวาตาร์

พื้นฐาน Voice AI Agent: ระบบตอบลูกค้าด้วยเสียงทำงานอย่างไร

กองบรรณาธิการ AI SNS CHATเผยแพร่ อ่าน 7 นาที

เข้าใจ Voice AI Agent ตั้งแต่องค์ประกอบ สถาปัตยกรรม ไปจนถึงแผนนำร่องที่ปลอดภัย พร้อมแนวทางวัดผลสำหรับธุรกิจไทยที่ใช้ LINE เป็นหลัก

ธุรกิจไทยส่วนใหญ่คุ้นกับการตอบลูกค้าผ่าน LINE, Messenger และแชตบนเว็บไซต์ แต่ลูกค้าจำนวนไม่น้อยยังเลือกยกโทรศัพท์โทรมาเมื่อเรื่องด่วนหรือไม่อยากพิมพ์ ปัญหาคือสายที่ไม่มีคนรับ หรือทีมงานที่ต้องตอบคำถามซ้ำ ๆ ทั้งวัน บทความนี้อธิบายว่า Voice AI Agent คืออะไร ทำงานอย่างไร เหมาะกับงานแบบไหน และควรเริ่มทดลองอย่างไรให้ปลอดภัย

Voice AI Agent คืออะไรกันแน่

Voice AI Agent คือเอเจนต์ AI ที่คุยกับลูกค้าด้วยเสียงแบบเรียลไทม์ ลูกค้าพูด ระบบฟัง เข้าใจ ตัดสินใจว่าจะตอบอะไร แล้วพูดตอบกลับ ต่างจากระบบกดเลขเมนู (IVR) แบบ "กด 1 สำหรับ... กด 2 สำหรับ..." ตรงที่ลูกค้าพูดเป็นประโยคธรรมชาติได้ เช่น "ขอเลื่อนนัดวันพฤหัสไปเป็นวันศุกร์ได้ไหมคะ"

สิ่งที่ควรเข้าใจตั้งแต่ต้นคือ Voice AI Agent ไม่ใช่ "แชตบอตที่เติมเสียง" เฉย ๆ การคุยด้วยเสียงมีข้อจำกัดเฉพาะตัว ลูกค้าอ่านย้อนกลับไม่ได้ ฟังรายการยาว ๆ แล้วจำไม่ได้ และรอเงียบนานไม่ได้ เพราะเพียงสองสามวินาทีก็รู้สึกว่าสายหลุดแล้ว การออกแบบจึงต้องต่างจากแชต

องค์ประกอบสามส่วนที่อยู่เบื้องหลัง

ระบบเสียงแบบดั้งเดิมประกอบด้วยสามส่วนต่อกันเป็นสายพาน

  1. การถอดเสียงเป็นข้อความ (speech-to-text): แปลงสิ่งที่ลูกค้าพูดเป็นตัวอักษร
  2. สมองของเอเจนต์ (โมเดลภาษา): อ่านข้อความ เทียบกับฐานความรู้และกติกาที่ตั้งไว้ แล้วเขียนคำตอบ
  3. การสังเคราะห์เสียง (text-to-speech): แปลงคำตอบเป็นเสียงพูดที่ลูกค้าได้ยิน
  1. 01ลูกค้าพูดผ่านโทรศัพท์
  2. 02ถอดเสียงเป็นข้อความ
  3. 03โมเดลภาษาคิดคำตอบ
  4. 04สังเคราะห์เสียงตอบกลับ
สายพานเสียงแบบคลาสสิกตัวอย่างประกอบ

แต่ละขั้นมีผลต่อประสบการณ์ ถ้าถอดเสียงผิด คำตอบก็ผิดตามไปด้วย ถ้าโมเดลตอบช้า ลูกค้าก็รอเงียบ และถ้าเสียงสังเคราะห์ฟังแข็งหรือออกเสียงชื่อสินค้าเพี้ยน ลูกค้าจะหมดความเชื่อมั่นทันที ภาษาไทยมีวรรณยุกต์ ชื่อแบรนด์ภาษาอังกฤษ และตัวเลขที่อ่านได้หลายแบบ จึงควรทดสอบกับประโยคจริงของธุรกิจเสมอ

สองสถาปัตยกรรม: สายพานเทียบกับเสียงสู่เสียงโดยตรง

มีสองแนวทางหลักในการสร้างเอเจนต์เสียง

แบบสายพาน (pipeline)
แบบเสียงสู่เสียง (speech-to-speech)
แยกสามขั้น เลือกผู้ให้บริการแต่ละส่วนได้
โมเดลเดียวรับเสียงและตอบเป็นเสียง
ตรวจดูข้อความระหว่างทางได้ง่าย
บทสนทนาลื่นไหล จังหวะเหมือนคนคุยกัน
ปรับเสียงและผู้ให้บริการได้ยืดหยุ่น
ผูกกับผู้ให้บริการรายเดียวมากกว่า
อาจมีหน่วงเวลาสะสมจากสามขั้น
ตอบสนองเร็วและขัดจังหวะได้เป็นธรรมชาติ
แบบสายพาน เทียบกับแบบเสียงสู่เสียงตัวอย่างประกอบ

แบบสายพานเหมาะเมื่ออยากควบคุมและตรวจสอบได้ละเอียด เพราะมีข้อความอยู่ตรงกลางให้ตรวจดู ส่วนแบบเสียงสู่เสียงเหมาะกับงานที่ต้องการความลื่นไหลสูง เช่น การสนทนาที่ลูกค้าขัดจังหวะบ่อย ไม่มีแบบใดดีกว่าเสมอไป ควรเลือกจากลักษณะงานและความเสี่ยงที่ยอมรับได้

เสียงช่วยได้ตรงไหน และไม่เหมาะตรงไหน

งานที่เหมาะกับเสียง

  • ตอบคำถามพื้นฐานนอกเวลาทำการ เช่น เวลาเปิด-ปิด สถานที่ตั้ง เงื่อนไขการจอง
  • รับนัดหมายหรือเลื่อนนัด เช่น คลินิก ร้านเสริมสวย อู่ซ่อมรถ
  • สอบถามสถานะคำสั่งซื้อที่ตอบได้ด้วยประโยคสั้น ๆ
  • แจ้งเตือนหรือยืนยันนัดล่วงหน้า (ดูหัวข้อคำถามที่พบบ่อยเรื่องการโทรออก)
  • รับเรื่องเบื้องต้น แล้วส่งต่อให้เจ้าหน้าที่พร้อมสรุป

งานที่ไม่ควรใช้เสียงล้วน

  • เรื่องที่ต้องส่งข้อมูลยาว เช่น ตารางราคา รายการสินค้าหลายสิบรายการ หรือลิงก์ ซึ่งส่งทาง LINE ได้สะดวกกว่ามาก
  • การเก็บข้อมูลละเอียดอ่อน เช่น เลขบัตรประชาชนหรือข้อมูลการเงิน ผ่านเสียงในที่สาธารณะที่คนอื่นอาจได้ยิน
  • เรื่องร้องเรียนที่ลูกค้ากำลังโกรธ ซึ่งมักต้องการน้ำเสียงและวิจารณญาณของคน
  • เรื่องที่มีผลทางกฎหมายหรือการแพทย์ ที่ไม่ควรให้ AI ตัดสินเอง

หลักการออกแบบบทสนทนาแบบพูด

ตอบสั้นและทีละเรื่อง ประโยคที่อ่านดีบนจอมักยาวเกินไปเมื่อพูดออกเสียง ควรกำหนดในพรอมต์ให้ตอบไม่เกินหนึ่งถึงสองประโยค แล้วถามต่อทีละคำถาม

ยืนยันข้อมูลสำคัญซ้ำ วันที่ เวลา ชื่อ และเบอร์โทร ต้องอ่านทวนให้ลูกค้ายืนยัน เพราะการฟังผิดเกิดได้ง่ายกว่าการพิมพ์ผิด

แจ้งตัวตนตั้งแต่ประโยคแรก บอกว่าเป็นผู้ช่วย AI และบอกว่าทำอะไรได้บ้าง ช่วยตั้งความคาดหวังและเป็นธรรมกับผู้โทร

เตรียมทางออกเสมอ ลูกค้าต้องขอคุยกับเจ้าหน้าที่ได้ง่าย ๆ หากเอเจนต์ไม่เข้าใจสองครั้งติดกัน ควรเปลี่ยนไปเสนอให้เจ้าหน้าที่ติดต่อกลับ แทนที่จะวนถามเดิม

อย่าสัญญาเวลาที่ไม่แน่ใจ ถ้าไม่มีข้อมูลเวรของเจ้าหน้าที่ ก็อย่าให้เอเจนต์บอกว่า "จะโทรกลับภายใน 5 นาที"

คิดเรื่องข้อมูลส่วนบุคคลตั้งแต่ต้น การบันทึกเสียงและเก็บถ้อยคำของลูกค้าเกี่ยวข้องกับ PDPA ควรแจ้งวัตถุประสงค์ให้ชัดเจน เก็บเท่าที่จำเป็น และให้ฝ่ายกฎหมายหรือที่ปรึกษาของบริษัทตรวจสอบข้อความแจ้งก่อนเปิดใช้จริง

แผนนำร่องที่ปลอดภัย

อย่าเปิดสายทั้งหมดให้เอเจนต์ในวันแรก แนะนำให้ไล่ตามขั้นตอนนี้

  1. เลือกหัวข้อแคบ ๆ เช่น เฉพาะคำถามเวลาเปิด-ปิดและการจองคิว
  2. เตรียมฐานความรู้ รวบรวมคำถามที่ลูกค้าถามจริงจากประวัติ LINE และแชตเว็บไซต์ แล้วเขียนคำตอบที่ถูกต้องและเป็นปัจจุบัน
  3. ทดสอบภายในก่อน ให้ทีมงานโทรลองหลายสำเนียง หลายสภาพเสียงรบกวน และลองถามนอกเรื่องเพื่อดูว่าเอเจนต์ตอบอย่างไร
  4. เปิดนอกเวลาทำการก่อน ช่วงที่เดิมไม่มีคนรับสายอยู่แล้ว ความเสี่ยงต่ำที่สุด
  5. ฟังทบทวนสายอย่างสม่ำเสมอ ในช่วงแรกควรฟังสายจริงจำนวนมาก แล้วแก้คำตอบและกติกาตามที่พบ
  6. ค่อยขยาย เมื่อผลการทบทวนนิ่งแล้วจึงเพิ่มหัวข้อหรือช่วงเวลา

ตัวอย่างต่อไปนี้เป็นสมมติฐานเพื่อให้เห็นภาพการทบทวน ไม่ใช่ผลสำรวจจริง สมมติว่าร้านหนึ่งสุ่มฟังสายนำร่อง 100 สาย แล้วจัดกลุ่มได้ดังนี้

ตอบจบได้ในสายเดียว
60
ส่งต่อให้เจ้าหน้าที่
20
ผู้โทรวางสายกลางคัน
10
ฟังหรือเข้าใจผิด ต้องแก้ระบบ
10
ตัวอย่าง: สายนำร่องสมมติ 100 สายถูกจัดกลุ่มอย่างไรตอนทบทวนตัวอย่างประกอบ

กลุ่มสุดท้ายคือกลุ่มที่มีค่าที่สุด เพราะทุกสายในกลุ่มนี้บอกชัดว่าต้องเพิ่มความรู้ ปรับพรอมต์ หรือเพิ่มคำศัพท์เฉพาะตรงไหน

วัดผลอย่างไรว่าได้ผลจริง

ตัวชี้วัดที่ควรดูมีไม่กี่ตัว

  • อัตราที่แก้ปัญหาได้จบในสาย ไม่ใช่แค่จำนวนสายที่เอเจนต์รับ
  • อัตราส่งต่อให้เจ้าหน้าที่ สูงเกินไปแปลว่าความรู้ไม่พอ ต่ำผิดปกติอาจแปลว่าเอเจนต์ฝืนตอบเรื่องที่ไม่ควรตอบ
  • สายที่วางกลางคัน บ่งบอกถึงจังหวะตอบช้า เสียงไม่น่าฟัง หรือการวนถาม
  • ความถูกต้องของข้อมูลที่ยืนยัน เช่น นัดหมายที่จองได้ตรงกับที่ลูกค้าตั้งใจ
  • ต้นทุนต่อสายที่แก้ได้จริง เทียบกับต้นทุนเดิมของทีมงาน

ตั้งเกณฑ์ผ่านก่อนเริ่มนำร่อง เช่น "ถ้าสายที่ฟังผิดเกินกี่ส่วนจะหยุดและแก้ก่อน" เพื่อไม่ต้องตัดสินใจด้วยความรู้สึกทีหลัง

ทำเรื่องนี้ใน AI SNS CHAT

AI SNS CHAT มีเมนู Voice ในแถบด้านข้างที่รวมส่วนงานเสียงไว้ในที่เดียว ได้แก่ Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls, Voice / SIP, Users และ Developers

เริ่มทดสอบก่อนเชื่อมโทรศัพท์: ใช้ Voice Playground ลองคุยกับเอเจนต์ด้วยเสียงก่อน โดยยังไม่ต้องมีเบอร์โทร สำหรับเสียงพูด มีตัวเลือกผู้ให้บริการ text-to-speech คือ Grok/xAI (ค่าเริ่มต้น), OpenAI (gpt-4o-mini-tts), ElevenLabs และเสียงของเบราว์เซอร์ ถ้าเลือก ElevenLabs จะมีคลังเสียง การออกแบบเสียง และการโคลนเสียงให้ใช้ ระบบเสียงรองรับ 22 ภาษา แต่บางภาษาใช้เสียงภาษาอังกฤษทางโทรศัพท์เป็นตัวสำรอง จึงควรลองประโยคภาษาไทยจริงของธุรกิจและฟังก่อนเปิดใช้

โหมดเสียงสู่เสียง: Synthia ใช้ OpenAI Realtime API ซึ่งหมายความว่าใช้ OpenAI เท่านั้นและไม่มีตัวสำรอง ส่วน Grok voice-to-voice ก็มีให้ แต่ค่าเริ่มต้นจะตอบเฉพาะเจ้าของบัญชี

รับสายเข้า: ที่ Inbound calls เชื่อมเบอร์ Twilio เข้ากับเอเจนต์แต่ละตัว ระบบมีการทดสอบ webhook ด้วยตัวเองและซ่อมการตั้งค่าอัตโนมัติ หลังเปิดใช้ดูรายการสายที่ Call history และดูภาพรวมที่ Voice Analytics

โทรออกเป็นชุด: ที่ Outbound calls สร้างแคมเปญโทรออกเป็นชุดได้ ต้องมีเบอร์ Twilio ต้องทดสอบโทรก่อน และหยุดแคมเปญกลางทางได้

ข้อควรรู้:

  • ค่าตั้ง SIP trunk บันทึกได้ แต่ยังไม่พบเส้นทางโทรที่ใช้ค่าเหล่านั้น จึงไม่ควรวางแผนพึ่งพาตอนนี้
  • WhatsApp voice และเบอร์โทรศัพท์ที่ระบบจัดการให้ ยังเป็นเพียงรายชื่อรอและ "Coming soon"
  • ค่าใช้จ่ายด้านเสียงคิดเป็นเครดิต โดยเครดิตต่อนาทีผู้ดูแลแพลตฟอร์มเป็นผู้กำหนด ตามใบเสนอราคาแผน Private AI คือ 1 นาทีเสียงเท่ากับ 4 เครดิต ส่วนแชตปกติ 1 คำตอบเท่ากับ 1 เครดิต ดูแผนได้ที่ ราคา

ใช้ฐานความรู้และกติการ่วมกับแชต: เอเจนต์ที่ตั้งบุคลิกและ guardrails ไว้แล้ว ดึงความรู้จากแหล่งข้อมูล (ไฟล์ เว็บไซต์ Q&A หรือคอนเน็กเตอร์ต่าง ๆ) ได้ รายละเอียดทั้งหมดดูที่ ฟีเจอร์ และช่องทางที่เชื่อมได้ดูที่ การเชื่อมต่อ ส่วนแนวปฏิบัติด้านความปลอดภัยของข้อมูลอ่านได้ที่ ความปลอดภัย ซึ่งระบุว่าแนวปฏิบัติ "ออกแบบโดยอ้างอิง GDPR และ APPI" และแพลตฟอร์มไม่ได้เป็นผู้ได้รับการรับรอง SOC 2, ISO 27001 หรือ HIPAA

คำถามที่พบบ่อย

ต้องมีเบอร์โทรศัพท์ก่อนไหมถึงจะลองใช้ Voice AI Agent ได้

ไม่จำเป็นสำหรับการทดลอง คุณลองคุยกับเอเจนต์ด้วยเสียงได้ใน Voice Playground ก่อน แต่ถ้าต้องการรับสายจริง ต้องเชื่อมเบอร์ Twilio เข้ากับเอเจนต์ในส่วน Inbound calls

เอเจนต์ตัวเดียวใช้ได้ทั้งแชตและเสียงไหม

ได้ในแง่ที่ใช้เอเจนต์และฐานความรู้ชุดเดียวกันเป็นฐานได้ แต่ควรปรับพรอมต์สำหรับเสียงแยกต่างหาก เช่น ให้ตอบสั้นลงและทวนข้อมูลสำคัญ เพราะการพูดกับการอ่านบนจอต่างกันมาก และควรทดสอบใน Voice Playground ก่อนเปิดจริง

ระบบเสียงรองรับกี่ภาษา

ระบบเสียงรองรับ 22 ภาษา แต่บางภาษาใช้เสียงภาษาอังกฤษทางโทรศัพท์เป็นตัวสำรอง ดังนั้นก่อนเปิดใช้จริงควรลองประโยคภาษาไทยของธุรกิจใน Voice Playground แล้วฟังว่าการออกเสียงเป็นที่ยอมรับได้หรือไม่

ใช้ SIP trunk ของตัวเอง หรือรับสายผ่าน WhatsApp voice ได้ไหม

ตอนนี้ยังไม่ควรวางแผนพึ่งพาทั้งสองอย่าง ค่าตั้ง SIP trunk บันทึกได้ แต่ยังไม่พบเส้นทางโทรที่ใช้ค่านั้น ส่วน WhatsApp voice และเบอร์ที่ระบบจัดการให้ยังเป็นรายชื่อรอ "Coming soon" ทางที่ใช้ได้จริงคือเบอร์ Twilio

การโทรออกเพื่อเตือนนัดปลอดภัยไหม

ปลอดภัยได้หากออกแบบรอบคอบ โทรเฉพาะลูกค้าที่ยินยอมให้ติดต่อ ตามหลัก PDPA แจ้งตัวตนและวัตถุประสงค์ตั้งแต่ประโยคแรก และให้มีทางปฏิเสธรับสายถัดไป ระบบโทรออกเป็นชุดบังคับให้ทดสอบโทรก่อน และหยุดแคมเปญกลางทางได้ จึงควรเริ่มจากกลุ่มเล็กและฟังทบทวนสายก่อนขยาย

#Voice AI#บริการลูกค้า#โทรศัพท์#AI Agent

ลงมือทำจริงด้วย AI SNS CHAT

สร้างเอเจนต์ AI ที่เรียนรู้จากเนื้อหาของคุณเอง แล้วเชื่อมกับเว็บไซต์ LINE WhatsApp และอื่น ๆ เริ่มต้นฟรี ไม่ต้องใช้บัตรเครดิต