ข้ามไปที่เนื้อหา
เฉพาะ บทสอน
9 กันยายนวันพุธ
  1. LiveKit Blog22

    ความหมายของ "inference is slower than realtime" ใน LiveKit voice agents

    LiveKit อธิบายว่าคำเตือน "inference is slower than realtime" ใน voice agents ของ LiveKit หมายถึงโมเดล VAD ภายในเครื่อง ไม่ใช่โมเดล STT, TTS หรือ LLM ที่ใช้ผ่าน LiveKit Inference หน้าต่างเสียงขนาด 32ms แต่ละช่วงต้องถูกประมวลผลให้เสร็จภายใน 32ms และความล่าช้าที่รายงานแสดงว่า VAD ตามเสียงสดไม่ทันมากน้อยเพียงใด สาเหตุหลักคือ event loop ที่ถูกบล็อกและ CPU ที่อิ่มตัว และวิธีแก้คือการตัดโค้ดแบบ synchronous ออก ไม่ใช่การเพิ่ม thread

3 กันยายนวันพฤหัสบดี
  1. Vapi Blog38

    AI 语音代理如何区分真人与语音信箱

    语音信箱检测（也称应答机检测）会在约三到五秒内判断外呼电话是接通了真人还是录音，其依据是时序和行为信号，而非语音音频。一篇 2026 年的 arXiv 预印本发现，仅凭时序特征就能达到基于提示音和关键词的方法的效果，同时避免后者带来的额外延迟。Vapi 允许用户选择检测提供商、调整时序，并在真人接听时切回对话。

2 กันยายนวันพุธ
  1. Modal Blog22

    Botika รัน generative AI แบบ full-stack บน Modal ได้อย่างไร

    Botika ดำเนินงาน generative AI แบบ full-stack บน Modal ครอบคลุมไปป์ไลน์ข้อมูลภาพขนาด 100 เทระไบต์ โมเดลพื้นฐานที่พัฒนาเองซึ่งมีพารามิเตอร์หลายหมื่นล้านตัว และโมเดลราว 15 ตัวที่ให้บริการ inference ในโปรดักชัน ไปป์ไลน์นี้ประมวลผลชุดข้อมูลดังกล่าวด้วยอัตราความผิดพลาดต่ำกว่า 1% ผ่านคอนเทนเนอร์ที่ทำงานพร้อมกันหลายพันตัว และปัจจุบันนักวิจัยคนเดียวสามารถรันการทดลองได้ 50 ครั้งต่อวัน แทนที่จะเป็นหนึ่งหรือสองครั้ง

24 สิงหาคมวันจันทร์
  1. LiveKit Blog36

    การดีบักคำพูดสั้น ๆ ในวอยซ์เอเจนต์

    บล็อกของ LiveKit อธิบายว่าทำไมวอยซ์เอเจนต์มักเงียบหลังคำตอบสั้น ๆ อย่าง "yes" หรือ "ok" โดยสืบสาวไปถึงความล้มเหลวในการตรวจจับการผลัดกันพูด สาเหตุที่พบบ่อยที่สุดคือผู้ให้บริการ STT พลาดคำพูดสั้นและไม่ส่ง final_transcript ออกมาเลย ซึ่งขัดขวางการตรวจจับจุดสิ้นสุดของคำพูดโดยสิ้นเชิง บทความยังกล่าวถึงความหน่วงของ endpointing ที่ก้าวร้าวหรือผ่อนปรนเกินไป และการตัดเสียงรบกวนที่กำหนดค่าผิดซึ่งตัดเสียงสั้น ๆ ทิ้งไปราวกับเป็นเสียงรบกวน

20 สิงหาคมวันพฤหัสบดี
  1. Vapi Blog22

    AI Voice Agents ที่ดีที่สุดสำหรับ CX: วิธีประเมิน

    Vapi เผยแพร่เกณฑ์เจ็ดข้อสำหรับประเมิน AI voice agents ในด้านประสบการณ์ลูกค้า ครอบคลุมการแก้ปัญหา คุณภาพเสียงแบบเรียลไทม์ การดำเนินการ การส่งต่อ ความยืดหยุ่นของโมเดล ความน่าเชื่อถือตลอดวงจรชีวิต และการควบคุมแพลตฟอร์ม คู่มือนี้โต้แย้งว่าการนับ containment และ deflection นั้นนับความสำเร็จเกินจริง เนื่องจากผู้โทรที่ถูก contained อาจเพียงแค่วางสาย และอ้างข้อมูล ContactBabel ที่แสดงให้เห็นว่าความชอบใช้โทรศัพท์สำหรับการโต้ตอบที่ซับซ้อนเพิ่มขึ้นจาก 28% ในปี 2018 เป็น 47% ในปี 2024 Vapi วางตำแหน่งตัวเองเป็นเลเยอร์แพลตฟอร์มที่ไม่ผูกกับโมเดลใดโมเดลหนึ่ง พร้อมการตั้งค่า endpointing การจัดการการขัดจังหวะ และการลดสัญญาณรบกวนพื้นหลัง

18 สิงหาคมวันอังคาร
  1. LiveKit Blog40

    LiveKit: หุ่นยนต์หลายผู้เข้าร่วมเกินกว่าการเชื่อมต่อแบบ 1:1

    LiveKit กำลังขยายสถาปัตยกรรม SFU ของตนให้เกินกว่าลิงก์แบบ peer-to-peer เดี่ยว เพื่อให้การติดตั้งหุ่นยนต์สามารถรันเซสชันหลายผู้เข้าร่วมได้ โดย Room อนุญาตให้แต่ละกล้อง โมเดล ผู้ควบคุม หรือบริการเข้าร่วมเป็นผู้เข้าร่วมของตัวเอง LiveKit อธิบายสถาปัตยกรรมสามแบบ: การบันทึกข้อมูลแบบ human-in-the-loop ที่มีหุ่นยนต์ นโยบาย ผู้ควบคุม และเครื่องบันทึกอยู่ในเซสชันเดียว; การจัดการทักษะที่นำทางด้วย VLM ซึ่งโมเดลภาพ-ภาษาเลือกทักษะที่ประมาณ 1 Hz ขณะที่ผู้เข้าร่วมนโยบายแยกต่างหากควบคุมหุ่นยนต์ที่ระดับหลายสิบเฮิรตซ์; และการยกระดับนโยบาย ซึ่งโมเดลรางวัลที่ 30 Hz หรือสูงกว่าจะตั้งค่าสถานะที่ติดขัดหรือไม่ปลอดภัย และหุ่นยนต์จะเพิกถอนอำนาจจากนโยบายเฉพาะทาง

14 สิงหาคมวันศุกร์
  1. Vapi Blog22

    วิธีเลือกแพลตฟอร์ม Conversational AI สำหรับการพัฒนาองค์กร

    คู่มือที่เป็นกลางต่อผู้ขายนำเสนอเกณฑ์ห้าข้อในการเลือกแพลตฟอร์ม Conversational AI สำหรับ voice agent ในองค์กร ได้แก่ การควบคุมของนักพัฒนา การเลือกโมเดลและการมี fallback การทดสอบและการสังเกตการณ์ วงจรชีวิตของ agent แบบครบถ้วน และการปฏิบัติตามข้อกำหนดในระดับขนาดใหญ่ โดยอ้างอิงผลสำรวจของ Zapier จากผู้บริหารระดับ C-level ในสหรัฐฯ จำนวน 542 คน ซึ่ง 81% กังวลเกี่ยวกับการพึ่งพาผู้ขาย AI รายใดรายหนึ่ง และมีเพียง 6% ที่สามารถยกเลิกผู้ขายหลักได้โดยไม่เกิดผลกระทบ คู่มือโต้แย้งว่า latency และ orchestration สำคัญกว่ารายการฟีเจอร์ โดยอ้างถึงข้อค้นพบของ AssemblyAI ว่าความหน่วงที่เกิน 500–700 ms รู้สึกไม่เป็นธรรมชาติ

4 สิงหาคมวันอังคาร
  1. Vapi Blog22

    อะไรทำให้ประสบการณ์ AI สนทนาเป็นเลิศ: Vapi ว่าด้วยการออกแบบเสียง

    Vapi ชี้ว่า voice agent ถูกตัดสินจากห้ามิติแบบเรียลไทม์ ได้แก่ latency, turn-taking, การจัดการการขัดจังหวะ, prosody และ pipeline ที่ทนทาน โดยอ้างงานวิจัยที่ระบุว่าช่องว่างการผลัดกันพูดของมนุษย์อยู่ใกล้ 200ms และหมายเหตุว่าความหน่วงเกินราว 500–700ms รู้สึกไม่เป็นธรรมชาติ ขณะที่ pipeline แบบลำดับตรงไปตรงมาอาจใช้เวลาราว 1.9 วินาที เทียบกับ 600–900ms สำหรับแบบที่ปรับแต่งแล้ว Vapi วางตำแหน่ง pipeline ที่ไม่ผูกกับโมเดลของตนว่าสามารถปรับแต่งและทดสอบได้ผ่านการโทรจำลอง

27 กรกฎาคมวันจันทร์
  1. Vapi Blog22

    ถาม-ตอบเว็บบินาร์ของ Anthropic และ Vapi: เอเจนต์เสียงจองรถโดยสารสร้างจาก Claude Haiku ได้อย่างไร

    Vapi เผยแพร่คำตอบจากคำถามในเว็บบินาร์ร่วมกับ Anthropic เกี่ยวกับ AI เสียง โดยลงรายละเอียดเอเจนต์สาธิตจองรถโดยสารแบบสดที่สร้างบน Vapi ด้วย Claude Haiku ของ Anthropic และเสียง Layla v2 เอเจนต์นี้ใช้เครื่องมือห้าอย่าง ได้แก่ ประเมินราคา จอง ตรวจสอบสถานะ ยกเลิก และวางสาย พร้อมการตรวจจุดสิ้นสุดอัจฉริยะและเกณฑ์การขัดจังหวะแบบอนุรักษนิยมเพื่อให้ได้รอบการสนทนาต่ำกว่าหนึ่งวินาที เอเจนต์ที่รัน Claude บน Vapi รองรับสายเกือบ 5 ล้านสายใน 30 วันที่ผ่านมาในกว่า 50 ภาษา

24 กรกฎาคมวันศุกร์
  1. Vapi Blog22

    วิธีลดเวลารอของลูกค้าด้วย AI voice agent

    AI voice agent ช่วยลดเวลารอของลูกค้าได้สองวิธี คือ ลดงานออกจากคิวผ่านการให้บริการด้วยตนเอง การจัดเส้นทางอัจฉริยะ การช่วยเหลือเอเจนต์ และการคาดการณ์ความต้องการ และตอบรับทันทีโดยไม่ต้องรอสาย SQM Group พบว่าลูกค้าวางสายโดยเฉลี่ยที่ 2 นาที 36 วินาที ขณะที่ ContactBabel ระบุว่าอัตราการวางสายเฉลี่ยของสหราชอาณาจักรอยู่ที่ 8.4% ในปี 2024 Vapi กล่าวว่าสามารถตั้ง voice agent ตัวแรกได้จากแดชบอร์ดภายในไม่กี่นาที จากนั้นวัดผลด้วย ASA อัตราการวางสาย และการแก้ไขปัญหาในการโทรครั้งแรก

13 กรกฎาคมวันจันทร์
  1. Every38

    ฉันขัดเกลาซอฟต์แวร์ที่เอเจนต์สร้างขึ้นได้อย่างไร

    Kieran Klaassen อธิบายถึง "polish" ขั้นตอนสุดท้ายของเวิร์กโฟลว์ compound engineering ของเขา ซึ่งเขารันแอปด้วยตัวเองและบอกเอเจนต์ว่าอะไรรู้สึกไม่ถูกต้องจนกว่าจะไม่รู้สึกเช่นนั้น โดยใช้คำสั่ง /ce-polish จากปลั๊กอิน compound engineering เขาเช็กเอาต์สาขา เริ่ม dev server และเปิดแอปที่กำลังรันอยู่ข้างเอเจนต์ในเอดิเตอร์ของเขา เขายกตัวอย่างแอนิเมชันการ์ดอีเมลของ Cora ที่ผ่านการตรวจสอบอัตโนมัติและการตรวจสอบโดยเอเจนต์ทั้งหมดแล้ว แต่ยังเลื่อนลงมาจากด้านบนของหน้าจอแทนที่จะเปิดออกจากจุดที่คลิก

6 กรกฎาคมวันจันทร์
  1. Modal Blog38

    วิธีกำหนดราคา GPU แบบเซิร์ฟเวอร์เลส: โมเดลต้นทุนแบบอินเทอร์แอกทีฟของ Modal

    Modal เผยแพร่เครื่องมือแบบอินเทอร์แอกทีฟสำหรับประเมินต้นทุน GPU แบบเซิร์ฟเวอร์เลสเทียบกับการจอง โดยค่าเริ่มต้นใช้ราคาปัจจุบันของ GPU B200 แบบเซิร์ฟเวอร์เลสบน Modal และแบบจองผ่านผู้ให้บริการคลาวด์รายใหญ่เป็นเวลา 3 ปี โมเดลนี้แสดงให้เห็นว่าเมื่ออัตราส่วนพีคต่อค่าเฉลี่ยของแอปพลิเคชันสูงกว่าอัตราส่วนลดของการจอง GPU แบบเซิร์ฟเวอร์เลสจะมีต้นทุนโดยรวมต่ำกว่า และ Modal อ้างถึงส่วนลดที่พบจริงอยู่ที่ 2-5 เท่า เทียบกับอัตราส่วนพีคต่อค่าเฉลี่ยที่ 5-10 เท่า

24 มิถุนายนวันพุธ
  1. Vapi Blog15

    Vapi ตอบคำถามยอดนิยมจากเว็บบินาร์เรื่องการคัดกรองลูกค้าเป้าหมายของ SVG

    Vapi เผยแพร่คำตอบสำหรับเจ็ดคำถามที่ถูกถามบ่อยที่สุดจากเว็บบินาร์ร่วมกับ Spring Venture Group ซึ่ง Homer Kay อธิบายว่า SVG ใช้ voice agent ของ Vapi ในการคัดกรองลูกค้าเป้าหมาย Medicare ก่อนโอนสายให้ตัวแทนที่มีใบอนุญาต คำตอบครอบคลุมถึงการปฏิบัติตามข้อกำหนดในการโทรออก การผสานรวมแบบ API-first การสลับเปลี่ยนคอมโพเนนต์ STT, LLM และ TTS ได้อย่างอิสระ การส่งต่อให้มนุษย์ และการกำหนดค่าที่สอดคล้องกับ HIPAA พร้อม Zero Data Retention