Conversational AI คืออะไร ในภาษาที่ผู้บริหารเข้าใจ?
ลองนึกถึงครั้งล่าสุดที่คุณโทรหาธนาคารแล้วต้องฟังเมนู "กด 1 สำหรับ… กด 2 สำหรับ…" ครบทุกข้อ กดผิดหนึ่งครั้งก็ต้องเริ่มใหม่ ลูกค้าของคุณรู้สึกแบบเดียวกัน และทุกนาทีที่เขาติดอยู่ในเมนูคือนาทีที่เขากำลังตัดสินใจว่าจะวางสายหรือไม่
Conversational AI คือ AI ที่คุยกับลูกค้าแบบที่คนคุยกัน ลูกค้าพูดว่า "จะเลื่อนนัดหมอวันพฤหัสไปเป็นสัปดาห์หน้าได้ไหม" แล้ว AI เข้าใจ ตรวจตารางในระบบ และตอบกลับเป็นเสียงว่า "ได้ ว่างวันอังคารสิบโมงกับวันพุธบ่ายสอง สะดวกช่วงไหน" ไม่มีเมนู ไม่ต้องรอคิว
สิ่งที่ AI ทำได้: รับสายพร้อมกันไม่จำกัดจำนวน ตอบคำถามซ้ำ ๆ ทำรายการง่าย ๆ ในระบบ เช่น จอง เลื่อน ยืนยัน และสรุปบทสนทนาให้พนักงานอ่านต่อ
สิ่งที่ยังต้องเป็นคน: เรื่องร้องเรียน เรื่องที่มีอารมณ์ การตัดสินใจที่มีผลทางกฎหมายหรือการเงินสูง และลูกค้าที่ขอคุยกับคน
ที่ที่มันทำงาน: ในแอปมือถือและบนเว็บผ่าน TRTC Conversational AI ส่วนสายโทรศัพท์ปกติใช้ AI Agent ของ Tencent Cloud Contact Center
Voice Agent ฟัง คิด และตอบอย่างไร ภายในไม่ถึง 1 วินาที?
เบื้องหลังประโยคเดียวที่ AI ตอบ มีระบบ 4 ชั้นทำงานต่อกันเหมือนสายพานในโรงงาน ถ้าชั้นไหนช้า ทั้งสายพานช้าตาม:
Real-time Voice (ชั้นส่งเสียง) รับเสียงจากมือถือหรือสายโทรศัพท์ ตัดเสียงรบกวน และตัดเสียงสะท้อนของ AI เองออก ก่อนส่งต่อ ชั้นนี้คือสิ่งที่ TRTC ทำมาตลอดในวิดีโอคอลและไลฟ์
ASR (Automatic Speech Recognition: แปลงเสียงพูดเป็นข้อความ) ถอดเสียงแบบ Streaming คือถอดไปพร้อมกับที่ลูกค้าพูด ไม่รอให้พูดจบประโยค
LLM (Large Language Model: โมเดลภาษาที่คิดคำตอบ) เข้าใจเจตนา ดึงข้อมูลจากระบบของคุณ เช่น ตารางนัด สถานะคำสั่งซื้อ หรือ FAQ แล้วเรียบเรียงคำตอบตามกฎที่คุณตั้งไว้
TTS (Text-to-Speech: แปลงข้อความเป็นเสียง) สร้างเสียงพูดภาษาไทยที่เป็นธรรมชาติ และเริ่มพูดทันทีที่ได้คำแรก ไม่รอคำตอบครบทั้งประโยค
จุดที่หลายทีมมองข้ามคือ ASR, LLM และ TTS เลือกผู้ให้บริการได้หลายเจ้า แต่ชั้นส่งเสียงคือฐานรากที่ตัดสินคุณภาพทั้งหมด เสียงที่เข้ามาไม่ชัด ASR ก็ถอดผิด และ LLM ก็ตอบผิดเรื่อง
ทำไม Latency และการพูดแทรกถึงตัดสินว่า AI ฟังเหมือนคนหรือเหมือนเครื่อง?
งานวิจัยด้านภาษาพบว่าคนทั่วโลกเว้นช่วงก่อนตอบกันเฉลี่ยราว 200 มิลลิวินาที ไม่ว่าจะพูดภาษาอะไร (ค่าเฉลี่ย +208 ms จาก 10 ภาษา · Stivers et al., PNAS 2009) สมองเราจึงไวต่อความเงียบมาก AI ที่เงียบไป 2 วินาทีทุกครั้งก่อนตอบ ทำให้ลูกค้าเริ่มถามว่า "ฮัลโหล ยังอยู่ไหม" แล้วบทสนทนาก็พังทั้งที่คำตอบถูกต้อง
Latency Budget: เวลา 1 วินาทีถูกแบ่งกันอย่างไร
ทีมที่ทำ Voice Agent จริงจังจะตั้ง Latency Budget (งบเวลาของแต่ละชั้น) เหมือนตั้งงบประมาณ ส่งเสียงไปกลับ ถอดเสียง คิดคำตอบ และเริ่มพูด รวมกันต้องไม่เกินเป้า (Tencent RTC ระบุว่าการส่งเสียงและวิดีโอปลายทางถึงปลายทางต่ำกว่า 300 ms ทั่วโลก และ Latency ของบทสนทนาต่ำกว่า 1 วินาที) เทคนิคหลักคือทำทุกชั้นแบบ Streaming ให้ซ้อนกัน ไม่ใช่รอกันทีละขั้น
Barge-in: เมื่อลูกค้าพูดแทรก AI ต้องหยุดทันที
ในชีวิตจริงลูกค้าพูดแทรกตลอด "อ๋อ ไม่ใช่ค่ะ หมายถึงนัดของแม่" ระบบที่ดีต้องหยุดพูดภายในเสี้ยววินาที ฟังใหม่ และเปลี่ยนคำตอบตาม เรียกว่า Barge-in ซึ่งยากกว่าที่คิด เพราะระบบต้องแยกให้ออกว่าเสียงที่ได้ยินคือลูกค้าพูด หรือคือเสียง AI เองที่สะท้อนกลับจากลำโพง หรือแค่เสียงมอเตอร์ไซค์ผ่าน งานนี้ต้องอาศัย AEC (Acoustic Echo Cancellation: ตัดเสียงสะท้อน) และ AI ตัดเสียงรบกวน ซึ่งเป็นความสามารถของชั้นส่งเสียงโดยตรง
อีกโจทย์คือการรู้ว่าลูกค้าพูดจบหรือยัง คนไทยมักเว้นจังหวะ "เอ่อ…" กลางประโยค ถ้า AI ตัดเข้ามาเร็วไป ลูกค้ารู้สึกโดนขัด ถ้ารอนานไป บทสนทนาก็อืด TRTC Conversational AI ให้เลือกตัดประโยคได้ทั้งแบบ VAD Silence Detection (จับความเงียบ) และ Semantic Break Detection (ดูความหมายว่าพูดจบหรือยัง) จุดนี้ควรปรับและทดสอบกับเสียงผู้ใช้ไทยจริงตั้งแต่ช่วงทดลอง
Conversational AI ต่างจากแชทบอทและ IVR อย่างไร?
ทั้งสามแบบถูกเรียกว่า "ระบบอัตโนมัติ" เหมือนกัน แต่ให้ประสบการณ์ลูกค้าคนละเรื่อง ความต่างสำคัญคือใครต้องปรับตัวให้ใคร ลูกค้าต้องเรียนรู้ระบบ หรือระบบเข้าใจลูกค้า:
เกณฑ์ | IVR (กดเลข) | แชทบอท Rule-based | Conversational AI |
|---|---|---|---|
ลูกค้าสื่อสารอย่างไร | กดปุ่มตามเมนู | พิมพ์ หรือกดปุ่มตัวเลือก | พูดด้วยคำของตัวเอง |
เมื่อลูกค้าพูดนอกสคริปต์ | "กรุณาเลือกใหม่" | "ขออภัย ไม่เข้าใจ" | เข้าใจเจตนาและถามกลับให้ชัด |
เปลี่ยนเรื่องกลางทาง | ต้องกลับเมนูหลัก | ต้องเริ่ม Flow ใหม่ | ทำได้ จำบริบทเดิม |
ภาษาไทยปนอังกฤษ | ไม่เกี่ยว ใช้ปุ่ม | ต้องเพิ่มคำสำคัญเองทีละคำ | รองรับภาษาไทยได้ (เช่น STT ในตัวของ TRTC) แต่ประโยคไทยปนอังกฤษต้องทดสอบกับคำของธุรกิจคุณ |
ทำรายการในระบบ | ได้ แบบจำกัด | ได้ ตาม Flow ที่สร้าง | ได้ ผ่านการเชื่อม API กับระบบเดิม |
ความเสี่ยงหลัก | ลูกค้าหงุดหงิดและวางสาย | ลูกค้าติดวน | ตอบผิดอย่างมั่นใจ ถ้าไม่ตั้งขอบเขต |
ต้นทุนต่อการคุย | ต่ำมาก | ต่ำ | ต่ำกว่าพนักงาน สูงกว่า IVR (ขึ้นกับราคา TRTC และค่า LLM ที่ผู้ให้บริการเรียกเก็บแยก) |
IVR ไม่ได้แย่ในทุกกรณี สำหรับการเลือกภาษาหรือยืนยันตัวตนด้วยรหัส การกดปุ่มยังเร็วและแม่นที่สุด หลายองค์กรจึงใช้แบบผสม ให้ IVR คัดเรื่องง่ายที่สุด แล้วให้ AI รับช่วงต่อ ส่วนวิธีต่อ Voice Agent เข้ากับระบบคอลเซ็นเตอร์เดิมแบบละเอียด อ่านได้ใน ต่อ AI Voice Agent เข้ากับระบบคอลเซ็นเตอร์
ทำไมภาษาไทยถึงยากกว่าภาษาอังกฤษสำหรับ Voice AI?
โมเดลเสียงส่วนใหญ่ถูกฝึกด้วยภาษาอังกฤษเป็นหลัก ความแม่นยำในภาษาไทยจึงมักต่ำกว่า ความท้าทายที่พบบ่อยมี 4 ข้อ:
วรรณยุกต์ "ขาว ข่าว ข้าว" ต่างกันแค่เสียงสูงต่ำ บนสายโทรศัพท์คุณภาพต่ำหรือเน็ตมือถือที่สะดุด เสียงวรรณยุกต์คือสิ่งแรกที่เพี้ยน
ไทยปนอังกฤษ (Code-switching) "ขอเช็กสถานะ order หน่อย โอนผ่าน PromptPay ไปแล้ว" ประโยคแบบนี้คือเรื่องปกติ ASR ต้องถอดทั้งสองภาษาในประโยคเดียว และ TTS ต้องอ่านคำอังกฤษให้ฟังเป็นธรรมชาติ
สำเนียงภาค ลูกค้าจากอีสาน เหนือ และใต้ พูดคำเดียวกันด้วยเสียงต่างกัน ธุรกิจที่มีลูกค้าทั่วประเทศต้องทดสอบด้วยเสียงจากหลายภาค ไม่ใช่แค่ทีมในกรุงเทพฯ
ตัวเลข ชื่อ และที่อยู่ เลขพัสดุ เลขบัตร ชื่อซอย และชื่อยาเฉพาะทาง เป็นจุดที่ผิดแล้วเสียหายที่สุด เราแนะนำให้ AI ทวนข้อมูลกลับทุกครั้ง และให้กดเลขสำหรับข้อมูลยาว ๆ
อีกเรื่องเล็กที่ลูกค้าไทยสังเกตทันทีคือหางเสียง AI ที่ใช้เสียงผู้หญิงต้องลงท้ายด้วย "ค่ะ" ให้สม่ำเสมอ และพูดระดับสุภาพที่เหมาะกับแบรนด์ รายละเอียดนี้ไม่มีในเอกสารของโมเดลไหน แต่ตัดสินความรู้สึกแรกของลูกค้า ในฝั่ง TRTC Conversational AI ตัว STT ที่มีในตัวรองรับภาษาไทย (รหัส "th") ส่วน LLM และ TTS ขึ้นกับผู้ให้บริการที่เลือก จึงควรทดสอบเสียงไทยของแต่ละเจ้าก่อนตัดสินใจ
แต่ละอุตสาหกรรมในไทยใช้ Voice AI ลดต้นทุนและเพิ่มรายได้อย่างไร?
ตัวเลขที่ผู้บริหารควรดูคือ Containment Rate (สัดส่วนสายที่ AI จบเรื่องได้โดยไม่ต้องโอน) และต้นทุนต่อสายที่จบเรื่องได้ ต้นทุนที่ประหยัดได้ต่อสาย คูณด้วยจำนวนสายต่อเดือน คือเงินที่เห็นชัดในงบปีหน้า
เมื่อไหร่ที่ยังไม่ควรใช้ Conversational AI?
เราขาย Conversational AI แต่ไม่ใช่ทุกธุรกิจที่พร้อมวันนี้ กรณีที่เราแนะนำให้รอก่อน:
สายส่วนใหญ่ต้องใช้วิจารณญาณ เช่น เคลมประกันที่ซับซ้อน หรือเรื่องร้องเรียน AI ช่วยได้แค่สรุปเรื่อง แต่ปิดเรื่องเองไม่ได้
ปริมาณสายยังน้อย ไม่กี่สิบสายต่อวัน ค่าตั้งระบบและปรับจูนช่วงแรกยังสูงกว่าเงินเดือนที่ประหยัดได้
ข้อมูลยังอยู่ใน Excel หรือในหัวพนักงาน AI ที่ไม่มีข้อมูลจริงให้ดึง ตอบได้แค่คำถามทั่วไป และเสี่ยงตอบผิด
เริ่มอย่างไรให้เล็ก เร็ว และวัดผลได้?
สัปดาห์ที่ 1: เลือกสายประเภทเดียว ดึงสถิติว่าสายเรื่องไหนเข้ามามากที่สุดและคำตอบตายตัวที่สุด เช่น เตือนนัด ถามสถานะ หรือเวลาทำการ
สัปดาห์ที่ 2: เขียนขอบเขตและจุดโอน AI ตอบอะไรได้ ห้ามตอบอะไร และเมื่อไหร่ต้องโอนให้พนักงานทันที เช่น ลูกค้าขอคุยกับคน หรือพูดถึงการร้องเรียน
สัปดาห์ที่ 3: ทดลองกับลูกค้าจริงกลุ่มเล็ก แจ้งลูกค้าชัดเจนว่ากำลังคุยกับ AI ฟังไฟล์บันทึกทุกวัน แล้วปรับคำ สำเนียง และจังหวะการตอบ
สัปดาห์ที่ 4: วัดผล Containment Rate ระยะเวลาต่อสาย และความพึงพอใจหลังวางสาย เทียบกับตัวเลขก่อนเริ่ม แล้วค่อยเพิ่มสายประเภทถัดไป
ทั้งหมดนี้ไม่ต้องรื้อระบบเดิม ถ้าแอปคุณมีวิดีโอคอลหรือแชทอยู่แล้ว Voice Agent คือบล็อกถัดไปใน CPaaS ที่ต่อเพิ่มได้ อ่านภาพรวมได้ใน CPaaS คืออะไร และถ้าอยากเห็นว่า Voice AI จะเปลี่ยนคอลเซ็นเตอร์ไทยอย่างไรใน 2 ปีข้างหน้า อ่านต่อใน คอลเซ็นเตอร์ไทยกับ AI Voice Agent ภายในปี 2028
Frontyr Digital ให้บัญชีทดลอง TRTC ฟรีสูงสุด 28 วัน พร้อมวิศวกรไทยของเราช่วยต่อ Voice Agent กับระบบเดิมและจูนให้คุยภาษาไทยได้เป็นธรรมชาติ ออกบิลเป็นเงินบาทพร้อมใบกำกับภาษี ขอได้จากฟอร์มด้านล่าง
Frontyr's take
อย่าเริ่มจากคำถามว่า "AI ตัวไหนฉลาดที่สุด" เพราะสิ่งที่ทำให้ลูกค้าวางสายมักไม่ใช่ความฉลาดของโมเดล แต่คือความเงียบก่อนตอบ AI ที่พูดทับลูกค้า และการอ่านตัวเลขอย่างเลขพัสดุผิด ผมแนะนำให้วัด Latency ตั้งแต่ลูกค้าพูดจบจนได้ยินเสียงตอบ และทดสอบการพูดแทรกกับการตัดประโยค (VAD หรือ Semantic) กับเสียงคนไทยจริงก่อนเลือกโมเดล TRTC เปิดให้สลับผู้ให้บริการ STT, LLM และ TTS ได้ โมเดลเปลี่ยนได้ทุกไตรมาส แต่ความรู้สึกแรกของลูกค้าเกิดขึ้นครั้งเดียว
Bank, CTO · Frontyr Digital
Conversational AI กับแชทบอทต่างกันอย่างไร?
Voice Agent รองรับภาษาไทยไหม?
Conversational AI ใช้กับเบอร์โทรศัพท์ปกติได้ไหม?
ถ้า AI ตอบไม่ได้จะเกิดอะไรขึ้น?
ต้องแจ้งลูกค้าไหมว่ากำลังคุยกับ AI?
ทดลอง Conversational AI ก่อนตัดสินใจได้ไหม?
ที่มา: เอกสาร Tencent RTC Conversational AI https://trtc.io/solutions/conversational-ai · Stivers et al., "Universals and cultural variation in turn-taking in conversation", PNAS 2009 https://doi.org/10.1073/pnas.0903616106 · พารามิเตอร์ STTConfig ของ TRTC (ภาษาที่รองรับ) https://trtc.io/document/79672 · Tencent Cloud Contact Center AI Agent https://intl.cloud.tencent.com/document/product/1229/70668 · พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 https://www.pdpc.or.th/1540/ · เข้าถึง ต.ค. 2026
