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
- ระบบรอให้แน่ใจว่าผู้พูดหยุดแล้ว
- แปลงเสียงเป็นข้อความ
- คิดคำตอบ และเรียกข้อมูลถ้าจำเป็น
- แปลงคำตอบเป็นเสียง
- 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
- สุ่มฟังบันทึกสายราว 100 สาย (ตัวเลขที่ผู้เขียนแนะนำ) จดคำทับศัพท์ ชื่อเฉพาะ และคำถามที่พบบ่อย
- ทำชุดบททดสอบจากคำเหล่านั้น พร้อมเฉลย
- ขอให้ฝ่ายไอทีหรือผู้ให้บริการบอก codec และวัดความหน่วงของเส้นทางปัจจุบัน
- เลือก 1 งานเสี่ยงต่ำ เช่น ยืนยันการรับพัสดุ แล้วทดลองกับสายจำนวนน้อย
- กำหนดเกณฑ์ผ่านและคนรับผิดชอบก่อนเริ่มทดลอง
แหล่งข้อมูล
- 1. Wikipedia, Thai language · ตรวจ 15 พ.ย. 2569
- 2. Wikipedia, Thai script · ตรวจ 15 พ.ย. 2569
- 3. Wikipedia, G.711 · ตรวจ 15 พ.ย. 2569
- 4. Bauer, Abel, Fischer, Fingscheidt, Automatic Recognition of Wideband Telephone Speech with Limited Amount of Matched Training Data, EUSIPCO (2014) · ตรวจ 15 พ.ย. 2569
- 5. ITU-T Recommendation G.114, One-way transmission time (05/2003) · ตรวจ 15 พ.ย. 2569
- 6. Cisco, Understanding Delay in Packet Voice Networks · ตรวจ 15 พ.ย. 2569
- 7. Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS (2009) · ตรวจ 15 พ.ย. 2569
- 8. Nielsen Norman Group, Response Times: The 3 Important Limits · ตรวจ 15 พ.ย. 2569
- 9. พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ตัวบทเต็มบนวิกิซอร์ซ · ตรวจ 15 พ.ย. 2569
- 10. ITU-T Recommendation G.711, Pulse code modulation (PCM) of voice frequencies · ตรวจ 15 พ.ย. 2569