AI เสียง

Voice AI ภาษาไทยในงานโทรศัพท์ ทำอะไรได้ และต้องทดสอบอะไร

Voice AI ภาษาไทยเหมาะกับงานโทรศัพท์ที่ขั้นตอนชัด เช่น ยืนยันนัด แจ้งเตือน และคัดกรองเรื่อง แต่ผลในสายจริงมักต่างจากการสาธิตบนคอมพิวเตอร์ เพราะมีเรื่องวรรณยุกต์ คำปนอังกฤษ เสียงโทรศัพท์ย่านแคบ และความหน่วง จึงต้องทดสอบผ่านโทรศัพท์จริง

จัดทำโดย GW (ร่างด้วย AI ตรวจแหล่งอ้างอิงด้วย AI อีกชุด GW อนุมัติ) · GW Business International · ทะเบียนนิติบุคคล 0105552111558 · ใบอนุญาต กสทช. แบบที่หนึ่ง TEL1/2562/008 · ปรับปรุง 15 พ.ย. 2569

Voice AI ภาษาไทยเหมาะกับงานโทรศัพท์ที่ขั้นตอนชัด เช่น ยืนยันนัดหมาย แจ้งเตือน และคัดกรองเรื่องก่อนโอนสาย แต่ไม่ควรให้จัดการข้อร้องเรียนรุนแรงหรือการเจรจาโดยลำพัง ผลในสายจริงมักต่างจากการสาธิตบนคอมพิวเตอร์ เพราะมี 4 เรื่องที่ต้องคุม คือลักษณะของภาษาไทย คำไทยปนอังกฤษ เสียงโทรศัพท์ย่านแคบ และความหน่วงในการตอบ

Voice AI ในบทความนี้หมายถึงระบบที่ฟังเสียงผู้โทร ตีความ แล้วตอบด้วยเสียงสังเคราะห์ ส่วนเรื่องการเลือกงานและการส่งต่อคนอยู่ในบทความ AI Agent คืออะไร ส่วนการตัดสินใจระหว่างกดปุ่มกับพูดอยู่ในบทความ IVR คืออะไร

ทำไมภาษาไทยในสายโทรศัพท์จึงยากกว่าที่คิด

วรรณยุกต์: ภาษาไทยมี 5 เสียงวรรณยุกต์ [1] เสียงเปลี่ยน ความหมายเปลี่ยน เช่น เสือ เสื่อ เสื้อ เมื่อพูดเร็ว พูดเบา หรือพูดด้วยอารมณ์ ระดับเสียงจึงอาจไม่เหมือนตอนพูดชัดๆ และระบบต้องอาศัยบริบทช่วยตัดสิน

ไม่มีการเว้นคำ: ภาษาไทยเขียนติดกันโดยไม่เว้นวรรคระหว่างคำ [2] ระบบจึงต้องตัดคำควบคู่กับการถอดเสียง คำอย่าง "ตากลม" อ่านแยกได้ทั้ง ตา-กลม และ ตาก-ลม ส่วนคำพ้องเสียงอย่าง การ กาล กาฬ ก็ต้องดูจากบริบท

ไทยปนอังกฤษ: เช่น "ช่วยเช็กสเตตัสบุ๊กกิ้งให้หน่อย" คำลักษณะนี้มักออกเสียงแบบไทย และคำเดียวกันอาจถูกสะกดหลายแบบในฐานข้อมูล เช่น อีเมล กับ อีเมล์ ถ้าระบบถอดเป็นคำหนึ่งแต่ฐานข้อมูลเก็บอีกคำ การค้นข้อมูลอาจล้มเหลวแม้ถอดเสียงถูกความหมาย ผู้เขียนยังไม่พบงานวัดผลที่เปิดอ่านได้เกี่ยวกับเรื่องนี้ในสายโทรศัพท์ไทยโดยตรง จึงเป็นข้อสังเกตที่ต้องทดสอบเอง

ตัวเลขและชื่อเฉพาะ: เลขบ้าน ชื่ออาคาร เลขพัสดุ และการอ่านแบบ "ยี่สิบเอ็ด" หรือ "หนึ่งพันเอ็ด" ควรทดสอบแยก เพราะพลาดตัวเดียวก็ผิดทั้งรายการ

เสียงโทรศัพท์ย่านแคบมีผลอย่างไร

G.711 ซึ่งเป็นการเข้ารหัสเสียงที่ใช้กันแพร่หลายในโทรศัพท์ สุ่มสัญญาณที่ 8,000 ครั้งต่อวินาที [3][10] และใช้กับแถบเสียงโทรศัพท์แบบดั้งเดิมราว 300–3,400 เฮิรตซ์ [3] สายโทรศัพท์จำนวนมากจึงตัดเสียงช่วงสูงออกไป [4] ส่วนเสียงจากไมโครโฟนในการสาธิตมักมีช่วงความถี่กว้างกว่า

งานวิจัยด้านการรู้จำเสียงระบุว่า ผลขึ้นกับความกว้างของเสียงมาก และอ้างผลทดลองว่าการเพิ่มการสุ่มจาก 8 เป็น 16 kHz ลดอัตราคำผิดลงราว 20% เมื่อเทียบกับเดิม ส่วนในสภาพเสียงรบกวน มีรายงานว่าได้ผลดีขึ้นราว 14–16% [4] ตัวเลขเหล่านี้มาจากงานทดลองภาษาอื่นและระบบรุ่นเก่า ไม่ได้แปลว่าระบบไทยในปัจจุบันจะต่างเท่านี้ แต่ชี้ทิศทางชัดว่าเสียงย่านแคบเป็นโจทย์จริง งานเดียวกันถือว่าเสียงเสียดแทรก /s/ และ /z/ เป็นจุดวิกฤตที่ต้องปรับวิธีเติมความถี่ช่วงบนที่สายตัดไปเป็นพิเศษ [4] ในภาษาไทยจึงควรทดสอบคำที่มีเสียง ส และ ซ เป็นพิเศษ

ถ้าเส้นทางของคุณรองรับเสียงย่านกว้าง ผลอาจดีขึ้น แต่สายที่ผ่านหลายโครงข่ายอาจลดเหลือย่านแคบ ควรถามผู้ให้บริการว่าใช้ codec ตัวไหนในเส้นทางจริง (ความเห็นของผู้เขียน)

เสียงรบกวนซ้ำเติมเรื่องนี้ ลูกค้าไทยโทรจากริมถนน ในรถ หรือข้างพัดลม จึงต้องทดสอบในสภาพเหล่านี้ ไม่ใช่ในห้องประชุม

ความหน่วง: ปัญหาที่ผู้โทรรู้สึกก่อนเรื่องอื่น

ความหน่วงที่ผู้โทรรู้สึกคือเวลาจากตอนหยุดพูดจนได้ยินคำแรกของระบบ เวลานี้มีหลายท่อนรวมกัน

  1. ระบบรอให้แน่ใจว่าผู้พูดหยุดแล้ว
  2. แปลงเสียงเป็นข้อความ
  3. คิดคำตอบ และเรียกข้อมูลถ้าจำเป็น
  4. แปลงคำตอบเป็นเสียง
  5. ส่งเสียงผ่านเครือข่าย

อย่าสับสนกับมาตรฐานเครือข่าย ITU-T G.114 ระบุว่าความล่าช้าทางเดียวต่ำกว่า 150 มิลลิวินาทีทำให้งานส่วนใหญ่โต้ตอบได้ราบรื่น และเกิน 400 มิลลิวินาทีไม่เหมาะกับการวางแผนเครือข่ายทั่วไป [5][6] ค่านี้พูดถึงเวลาเดินทางของเสียงจากปากถึงหู ไม่ได้นับเวลาที่ AI ใช้คิดคำตอบ (การตีความของผู้เขียน) ถ้าเครือข่ายผ่านเกณฑ์ แต่ AI ใช้เวลาคิดนาน ผู้โทรก็ยังรู้สึกว่าช้า

ในการคุยกันจริง คนลดความเงียบระหว่างการสลับกันพูด งานศึกษา 10 ภาษาพบเรื่องนี้ทุกภาษา โดยค่าเฉลี่ยของแต่ละภาษาอยู่ห่างจากค่ากลางไม่เกินราว 250 มิลลิวินาที [7] งานด้านประสบการณ์ผู้ใช้ระบุว่า 1 วินาทีเป็นขีดที่ความคิดยังต่อเนื่อง [8] แม้เป็นงานด้านหน้าจอคอมพิวเตอร์ ไม่ใช่โทรศัพท์

ผู้เขียนยังไม่พบมาตรฐานที่กำหนดค่าความหน่วงของ Voice AI โดยตรง ค่าแนะนำของผู้เขียน ไม่ใช่มาตรฐาน: ตั้งเป้าเริ่มต้นให้ค่าเฉลี่ยไม่เกินราว 1 วินาที แล้วดูค่าช้าที่สุดด้วย เพราะคนจำจังหวะที่สะดุดได้ดีกว่าค่าเฉลี่ย ถ้ารอนาน ผู้โทรมักพูดซ้ำจนเสียงชนกับระบบ

เรื่องกฎหมายที่เกี่ยวข้อง

เสียงที่บันทึกไว้และระบุตัวบุคคลได้เป็นข้อมูลส่วนบุคคลตามมาตรา 6 ของ PDPA และต้องแจ้งก่อนหรือขณะเก็บตามมาตรา 23 [9] รายละเอียดอยู่ในบทความเรื่องการบันทึกเสียงใน call center ส่วนเรื่องการบอกลูกค้าว่าเป็น AI อยู่ในบทความเฉพาะเรื่อง ให้ใช้ตามบทความนั้น

ตัวอย่างสถานการณ์ (สมมติ)

สมมติว่าบริษัทรับล้างและซ่อมเครื่องปรับอากาศแห่งหนึ่งให้ Voice AI โทรยืนยันที่อยู่และเวลานัดตอนเช้าแทนช่าง ตอนทดสอบเจอ 2 ปัญหา

ปัญหาแรก ลูกค้าพูด "คอนโดตึกบี ห้องสองศูนย์สามทับแปด" แต่ระบบถอดเป็น "ตึกปี" ทีมจึงเพิ่มรายชื่ออาคารในพื้นที่ให้ระบบ และให้ทวนที่อยู่กลับก่อนบันทึกทุกครั้ง

ปัญหาที่สอง ลูกค้าพูดแทรกว่า "เดี๋ยวๆ ให้ช่างแจ้งที่ป้อมยามก่อนนะ" แต่ระบบยังพูดต่อจนจบ ทีมจึงเปิดการหยุดฟังเมื่อถูกพูดแทรก เรียกว่า barge-in แล้วทดสอบซ้ำกับสายจริง ถ้าลูกค้าขอเลื่อนนัด ระบบจะบันทึกสรุปและส่งให้พนักงานจัดคิว

เช็กลิสต์ก่อนเปิดใช้จริง

ตัวเลขทั้งหมดในหัวข้อนี้เป็นค่าแนะนำของผู้เขียน ไม่ใช่มาตรฐาน ให้ปรับตามความเสี่ยงของงาน

เสียงและสาย

  • โทรผ่านเครือข่ายมือถือจริงทุกค่ายที่ลูกค้าใช้ ไม่ทดสอบผ่านคอมพิวเตอร์อย่างเดียว
  • ทดสอบริมถนน ในบ้านที่เปิดพัดลมหรือทีวี และการเปิดลำโพง
  • จับใจความถูกอย่างน้อยราว 85% ของบททดสอบ และบันทึกว่าพลาดเรื่องอะไร

ภาษา

  • คู่เสียงใกล้กัน เช่น "สั่งเสื้อสามตัว ไม่ใช่เสื่อ"
  • คำปนอังกฤษ เช่น "ขอแคนเซิลบุ๊กกิ้งแล้วรีฟันด์"
  • ตัวเลข เช่น 21 และ 1,001 รวมทั้งเลขที่ลูกค้าอ่านทีละตัว
  • สำเนียงและคำเฉพาะของพื้นที่ที่ให้บริการ
  • คำสำคัญของงานผิดไม่เกินราว 10%

จังหวะ

  • วัดเวลาจากหยุดพูดถึงคำแรกของระบบ ทั้งค่าเฉลี่ยและค่าช้าสุด
  • พูดแทรกด้วยคำสั้นๆ เช่น "เดี๋ยว" "ไม่ใช่" ระบบต้องหยุดเร็วและฟังต่อถูกต้อง

ตัวเลขสำคัญ

  • ข้อมูลอย่างเลขบัตรหรือเลขบัญชี ให้เปลี่ยนไปกดปุ่มเมื่อถอดเสียงไม่สำเร็จ 2 ครั้ง
  • ทดสอบว่าสัญญาณปุ่มกดส่งถึงระบบครบในทุกเส้นทาง

ทางออก

  • ไม่เข้าใจ 2 ครั้งต้องเสนอทางไปหาคนหรือฝากเรื่อง
  • โอนสายแล้วสายไม่หลุด และสรุปไปถึงพนักงานถูกต้อง
  • ระบบไม่เดาเงื่อนไขหรือตัวเลขที่ไม่อยู่ในเอกสาร

ข้อควรระวัง

  • อย่าเชื่อตัวเลขความแม่นยำจากการสาธิต ถ้าไม่ได้วัดกับสายโทรศัพท์ไทยจริงของงานคุณ
  • อย่าให้ผู้โทรติดวนในประโยค "ขออภัย ไม่เข้าใจ กรุณาพูดใหม่"
  • ข้อมูลอย่างเลขบัตรหรือข้อมูลการเงินในไฟล์ถอดเสียงควรปิดบังก่อนเก็บ (ความเห็นของผู้เขียน)
  • เสียงสังเคราะห์ที่ฟังดีบนลำโพงคอมพิวเตอร์ อาจฟังยากในสายโทรศัพท์ ให้ฟังผ่านโทรศัพท์เสมอ

ขั้นตอนถัดไปที่ทำได้ทันที

  1. สุ่มฟังบันทึกสายราว 100 สาย (ตัวเลขที่ผู้เขียนแนะนำ) จดคำทับศัพท์ ชื่อเฉพาะ และคำถามที่พบบ่อย
  2. ทำชุดบททดสอบจากคำเหล่านั้น พร้อมเฉลย
  3. ขอให้ฝ่ายไอทีหรือผู้ให้บริการบอก codec และวัดความหน่วงของเส้นทางปัจจุบัน
  4. เลือก 1 งานเสี่ยงต่ำ เช่น ยืนยันการรับพัสดุ แล้วทดลองกับสายจำนวนน้อย
  5. กำหนดเกณฑ์ผ่านและคนรับผิดชอบก่อนเริ่มทดลอง

แหล่งข้อมูล

ติดต่อ

เล่าโจทย์งานโทรออกของคุณ แล้วเราจะเสนอรูปแบบคู่สายเป็นลายลักษณ์อักษร

จำนวนพนักงาน ประเภทงาน และระบบที่ใช้อยู่ — เท่านี้ก็เริ่มคุยได้ ไม่มีค่าใช้จ่ายในการประเมิน