- Trợ lý giọng nói AI chuyển đổi giọng nói thành văn bản, diễn giải ý định, thu thập thông tin và phản hồi thông qua chuyển văn bản thành giọng nói.
- Công nghệ chính bao gồm tích hợp ASR, NLP, RAG và API để thực hiện các tác vụ và hội thoại động.
- Bot giọng nói cung cấp tốc độ, khả năng truy cập, khả năng cá nhân hóa và giao diện rảnh tay trên nhiều ngành.
- Các trường hợp sử dụng bao gồm chăm sóc sức khỏe, ngân hàng, hỗ trợ khách hàng và bán lẻ, giúp cải thiện hiệu quả và trải nghiệm của người dùng.
Tôi đã phải thay đổi ChatGPT giọng nói với anh chàng người Anh khó chịu. Tôi sợ rằng nếu giọng nói đó quá thân thiện thì tôi sẽ yêu nó mất.
Giống như anh chàng đó. Trong bộ phim đó.
Chúng ta hãy nói về trợ lý giọng nói.
Siri từng là trò đùa. Nhưng trong khi chúng ta bận rộn hỏi Siri cách ẩn một cơ thể, AI giọng nói đã âm thầm thâm nhập vào mọi ngóc ngách của thị trường. Tính đến năm 2025, 67% các tổ chức coi AI giọng nói là cốt lõi cho doanh nghiệp của họ .
Các tổ chức đó nhận ra rằng các tác nhân AI có khả năng nói tốt hơn.
À, còn bộ phim tôi nhắc đến thì sao? Không quá xa vời. Việc Open AI mua lại io gần đây được kỳ vọng là nhằm mục đích xây dựng một trợ lý giọng nói không xâm lấn, luôn nhận thức.
Bạn biết đấy, lúc nào cũng có một người bạn nhỏ bên tai.
Và đây là những gì chúng ta thấy: Alexa được biết đến nhiều hơn với tư cách là một sản phẩm hơn là tên của một người, các CEO của các công ty AI đang chụp ảnh đính hôn cùng nhau và hai phần ba doanh nghiệp đã lưu lại ngày này .
Và nếu chị không nắm bắt được thì chị sẽ tụt hậu .
Điều này dễ hiểu. Công nghệ này rất bí ẩn và không có nhiều người giải thích cách thức hoạt động của nó . Nhưng đoán xem ai có hai ngón tay cái và bằng tốt nghiệp về công nghệ giọng nói?
(Bạn không thể thấy nhưng tôi đang giơ ngón tay cái lên.)
(...Bạn có biết ai khác không thể nhìn thấy không? Trợ lý giọng nói.)
(Tôi lạc đề rồi.)
Tôi viết bài viết này để giúp bạn cập nhật thông tin. Chúng ta sẽ nói về Trợ lý giọng nói AI: cách thức hoạt động, những gì bạn có thể làm với chúng và lý do tại sao nhiều công ty lựa chọn tích hợp chúng vào hoạt động của mình.
Trợ lý giọng nói AI là gì?
Trợ lý giọng nói AI là phần mềm hỗ trợ AI xử lý đầu vào giọng nói, hiểu đầu vào đó, thực hiện các tác vụ và cung cấp phản hồi cho người dùng. Các trợ lý này được sử dụng trong nhiều ngành và trường hợp sử dụng, thêm nét cá nhân vào quản lý tác vụ và hỗ trợ khách hàng.
Trợ lý giọng nói AI hoạt động như thế nào?
Trợ lý giọng nói AI là sự phối hợp phức tạp của các công nghệ AI . Trong vài giây giữa lúc ghi lại giọng nói đầu vào của người dùng và tạo ra phản hồi, một số quy trình được kích hoạt để mang lại tương tác liền mạch.
Nhận dạng giọng nói tự động (ASR)
Nhận dạng giọng nói tự động đôi khi còn được gọi là chuyển giọng nói thành văn bản vì đó chính là công nghệ này.
Khi người dùng nói vào thiết bị của họ - có thể là điện thoại, trợ lý gia đình hoặc bảng điều khiển xe hơi, giọng nói của họ sẽ được chuyển đổi thành văn bản. Để làm được điều này, mạng nơ-ron sâu được đào tạo để dự đoán bản ghi của một đoạn âm thanh .
Sau khi đào tạo trên 1.000 giờ dữ liệu giọng nói từ hàng triệu clip khác nhau liên quan đến nhiều người nói, giọng và điều kiện tiếng ồn khác nhau, các mô hình AI này trở nên khá giỏi trong việc phiên âm.
Và điều đó rất quan trọng – bước đầu tiên trong hệ thống nhiều lớp cần phải mạnh mẽ.
Xử lý ngôn ngữ tự nhiên (NLP)
Sau khi phiên âm được giọng nói đầu vào, mô hình sẽ chuyển sang bước diễn giải giọng nói đó.
NLP là khái niệm bao quát cho tất cả các kỹ thuật được sử dụng để phân tích truy vấn của người dùng (dưới dạng văn bản đã phiên âm) thành các đơn vị có ý định và ý nghĩa.
Nhận dạng ý định
Văn bản không có cấu trúc và nhiệm vụ tìm ra ý nghĩa không hề dễ dàng. Hãy xem xét một số truy vấn sau:
- “Đặt lịch gọi điện với Aniqa vào thứ Ba lúc 1 giờ.”
- “Bạn có thể đóng vai Cher không?”
- “Cái gì hợp với phô mai dê?”
Trợ lý AI sẽ có một loạt ý định hữu hạn ẩn bên trong. Đối với bot của chúng tôi, điều đó sẽ bao gồm:
- đặt lịch hẹn
- chơi phương tiện truyền thông
- có thể tìm kiếm trên web và
- trò chuyện một cách bình thường
Nhận dạng ý định có trách nhiệm phân loại từng truy vấn của người dùng vào một trong những danh mục này.
Vậy thì mỗi ví dụ của chúng ta thuộc trường hợp nào?
“Schedule a call…” được diễn đạt như một mệnh lệnh. Tương đối đơn giản. “Can you…?” được diễn đạt như một câu hỏi. Nhưng nó cũng là một mệnh lệnh, giống như câu hỏi trước. Trong cả hai trường hợp, bạn hiểu một cách trực quan hành động mong muốn, nhưng không dễ để chính thức hóa.
“Cái gì hợp với…?” thì đơn giản thôi.
Chúng ta biết loại câu trả lời mà chúng ta muốn: thức ăn. Nhưng không rõ nó nên lấy câu trả lời từ đâu.
Có nên tìm kiếm trên web không? Nếu có, thì nên đưa ra bao nhiêu phản hồi? Kết quả đầu tiên sẽ không được đầy đủ lắm, nhưng đưa ra nhiều phản hồi có thể làm phức tạp quá mức một nhiệm vụ đơn giản.
Mặt khác, có lẽ nó chỉ có thể khai thác từ kiến thức nội tại của nó - nhưng chúng ta đang đi quá xa rồi.
Bài học rút ra là: việc lựa chọn không phải lúc nào cũng đơn giản và mức độ phức tạp của nhiệm vụ này phụ thuộc nhiều vào thiết kế - hoặc tính cách - của bot cũng như truy vấn của người dùng.
Nhận dạng thực thể được đặt tên
Ngoài việc biết phải thực hiện nhiệm vụ nào, bot còn cần nhận dạng được thông tin được cung cấp.
Nhận dạng thực thể có tên liên quan đến việc trích xuất các đơn vị có ý nghĩa – hoặc các thực thể có tên – từ văn bản phi cấu trúc . Ví dụ: xác định tên của mọi người, nghệ sĩ âm nhạc hoặc ngày tháng trong truy vấn của người dùng.
Chúng ta hãy xem lại truy vấn đầu tiên:
- “Đặt lịch gọi điện với Aniqa vào thứ Ba lúc 1 giờ.”
Aniqa là một người, và điều này ngụ ý từ truy vấn rằng người dùng biết cô ấy . Điều đó khiến cô ấy - rất có thể - trở thành một người liên lạc.
Trong trường hợp này, “liên hệ” sẽ được lập trình sẵn như một thực thể và bot sẽ có quyền truy cập vào danh bạ của người dùng.
Điều này áp dụng cho thời gian, địa điểm và bất kỳ thông tin có ý nghĩa nào khác có thể ẩn trong truy vấn của người dùng.
Lấy thông tin
Sau khi hiểu được bạn muốn gì, trợ lý giọng nói phải tìm kiếm thông tin có liên quan để giúp nó phản hồi. Một bot tốt sẽ được trang bị toàn bộ bộ tiện ích mở rộng để giúp đáp ứng nhu cầu của bạn.
Chúng ta đã nói về kiến thức nội bộ trước đó. Tôi chắc chắn rằng bạn đã từng bị choáng ngợp bởi các mô hình ngôn ngữ lớn' ( LLM ) và kiến thức sâu rộng của họ. Và điều đó thật ấn tượng, nhưng khi các truy vấn của bạn trở nên chuyên sâu hơn, các vết nứt bắt đầu xuất hiện.
Thế hệ tăng cường truy xuất (RAG)
Một trợ lý giỏi có thể tiếp cận các nguồn kiến thức bên ngoài – không chỉ dựa vào kiến thức thu được trong quá trình đào tạo . RAG điều kiện hóa phản ứng của AI dựa trên kiến thức đó.
Trong trường hợp này, kiến thức đề cập đến các tài liệu, bảng biểu, hình ảnh hoặc về cơ bản là bất kỳ thứ gì có thể xử lý được bằng kỹ thuật số.
Nó tìm kiếm trong tài liệu, chọn ra những mục có liên quan nhất đến truy vấn của người dùng và sử dụng chúng để cung cấp thông tin cho phản hồi của mô hình .
- Đôi khi, việc này nhằm mục đích nâng cao kiến thức của một LLMs , chẳng hạn như tham khảo tài liệu học thuật khi thực hiện nghiên cứu.
- Những lần khác, nó liên quan đến việc cung cấp quyền truy cập vào thông tin mà mô hình không có , chẳng hạn như dữ liệu khách hàng.
Trong cả hai trường hợp, nó đều có lợi thế là trích dẫn nguồn, khiến phản hồi trở nên đáng tin cậy và có thể xác minh được hơn.
API và Tích hợp
Theo cùng một cách mà một LLM có thể giao tiếp với thông tin bên ngoài, API và tích hợp cho phép giao tiếp với các công nghệ bên ngoài.
Bạn muốn đặt lịch hẹn Google Meets qua Calendly để theo dõi khách hàng tiềm năng của HubSpot được đánh giá bằng Clearbit làm giàu? Trừ khi bạn xây dựng lịch, công nghệ hội nghị truyền hình, CRM và công cụ phân tích (rất không nên), bạn sẽ cần phải 🔌tích hợp⚡️.
Các công cụ của bên thứ 3 này thường có API hiển thị các hoạt động để chúng có thể được thực hiện bằng các công nghệ tự động khác - như tác nhân của bạn.
Tích hợp giúp bot dễ dàng giao tiếp với công nghệ của bên thứ 3 hơn. Nó được xây dựng trên API, bao phủ phần lộn xộn để bạn có thể kết nối tác nhân của mình với ít công sức.
Phản hồi và Chuyển văn bản thành giọng nói (TTS)
Vì vậy, thông tin đầu vào của người dùng đã được ghi lại, ý định của họ đã được phân tích, thông tin có liên quan đã được thu thập và nhiệm vụ đã được thực hiện.
Bây giờ là lúc phải trả lời.
Cho dù là trả lời câu hỏi của người dùng hay xác nhận rằng bot đã thực hiện nhiệm vụ được yêu cầu, thì bot giọng nói luôn đưa ra phản hồi.
Chuyển văn bản thành giọng nói (TTS)
Tương tự và trái ngược với nhận dạng giọng nói là tổng hợp giọng nói hoặc chuyển văn bản thành giọng nói .
Đây là những mô hình cũng được đào tạo theo cặp lời nói-văn bản, thường được điều chỉnh theo người nói, ngữ điệu và cảm xúc để phát ra lời nói giống con người.
TTS khép lại vòng lặp bắt đầu và kết thúc bằng giọng nói của con người.
Lợi ích của Trợ lý giọng nói
Một lớp giọng nói trên chức năng AI cải thiện trải nghiệm toàn diện. Chắc chắn, nó được cá nhân hóa và trực quan, nhưng nó cũng có lợi thế về mặt kinh doanh.
Giọng nói nhanh hơn văn bản
Với sự phát triển của chatbot, người dùng đã quen với phản hồi nhanh. Với trợ lý AI giọng nói, chúng tôi cũng đã cải thiện được thời gian nhập liệu.
Các tác nhân AI giọng nói giúp chúng ta không phải xây dựng các câu đúng. Thay vào đó, bạn có thể thốt ra một luồng ý thức và để bot hiểu được.
Tương tự với các phản hồi. Tôi sẽ là người đầu tiên thừa nhận rằng việc đọc có thể rất khó khăn – nhưng không thành vấn đề khi các phản hồi được tường thuật cho bạn.
Phản hồi 24/7
Một loại tốc độ khác. Với những người làm việc từ xa và các giao dịch kinh doanh diễn ra trên khắp các châu lục, không thể tính đến tất cả các múi giờ và giờ làm việc mà bạn cần phải xử lý.
Tương tác bằng giọng nói nên dành cho tất cả mọi người, không chỉ những khách hàng trong giờ làm việc nhất định. Và với trợ lý AI giọng nói, điều đó có thể trở thành hiện thực.
Tương tác cá nhân hóa hơn
Nói chuyện không chỉ là lời nói. Có một bot giọng nói tạo ra trải nghiệm cá nhân hơn, mang lại cảm giác tự tin cho người dùng. Kết hợp với các phẩm chất giống con người của chatbot AI , lớp giọng nói tạo nên kết nối mạnh mẽ hơn.
Tích hợp dễ dàng
Thực tế là trợ lý giọng nói rảnh tay có nghĩa là chúng cũng không có UI. Chúng không yêu cầu màn hình hoặc sử dụng mắt của bạn - đó là lý do tại sao chúng rất phổ biến trên ô tô.
Trên thực tế, chúng có thể tích hợp ở bất cứ nơi nào có thể kết nối micrô. Đây là một rào cản rất thấp, không chỉ vì micrô rất nhỏ mà còn vì chúng đã có ở khắp mọi nơi: máy tính, điện thoại thông minh và thậm chí cả điện thoại cố định.
Hãy kể tên một công nghệ tiên tiến khác có thể sử dụng qua điện thoại quay số.
Dễ tiếp cận hơn
“Rảnh tay” không chỉ là sự tiện lợi. Đối với những người có nhu cầu đa dạng, nó có thể là điều cần thiết.
Trợ lý giọng nói có thể sử dụng được cho những người có khả năng vận động, thị lực và trình độ học vấn khác nhau, những người có thể gặp khó khăn với giao diện AI truyền thống.
Các trường hợp sử dụng của Voice Bot trong nhiều ngành công nghiệp
Vậy là bạn đã bán được bot giọng nói. Tuyệt. Nhưng làm sao để sử dụng chúng?
Tin tốt là hầu như mọi ngành công nghiệp đều có thể được cải thiện bằng AI giọng nói.
Y tế
Các quy trình chăm sóc sức khỏe vốn nổi tiếng là tẻ nhạt. Và có lý do chính đáng: đó là công việc có rủi ro cao và phải được thực hiện đúng. Không gian này đang cần đến tự động hóa AI, miễn là nó đáng tin cậy và hiệu quả.
Chúng ta đã thấy các ứng dụng của AI trong chăm sóc sức khỏe và giọng nói mở ra nhiều cơ hội mới để cải thiện.
Một ví dụ điển hình là bảng câu hỏi y tế: thông tin cá nhân, tiền sử bệnh án, v.v.
Những việc đó thật nhàm chán nhưng lại quan trọng.
Tốc độ và năng suất được cải thiện giúp giảm bớt khối lượng công việc cho các chuyên gia chăm sóc sức khỏe quá tải, và luồng trò chuyện giống con người giúp phá vỡ sự đơn điệu khi phải trả lời từng câu hỏi.
Tính năng truy cập được tính đến và theo quy trình nhiều lớp mạnh mẽ mà chúng ta đã thảo luận trước đó, tôi có thể đảm bảo với bạn rằng công nghệ này rất đáng tin cậy.
Ngân hàng
Nói về rủi ro cao và nhàm chán.
Những việc như kiểm tra số dư tài khoản và cập nhật thông tin là những giao dịch tương đối đơn giản, nhưng có một vài lớp bảo vệ để giảm thiểu lỗi và gian lận.
Trợ lý giọng nói của NatWest xử lý các giao dịch thông thường, giúp các trợ lý có nhiều thời gian hơn cho các tương tác nhạy cảm hoặc phức tạp, giúp tăng sự hài lòng của khách hàng lên 150% mà không ảnh hưởng đến tính bảo mật.
Hỗ trợ khách hàng
Về chủ đề tự động hóa các cuộc gọi thường lệ, SuperTOBI của Vodafone, một trợ lý AI giọng nói, đã cải thiện điểm số người ủng hộ ròng (NPS) của họ từ 14 lên 64 .
Đó là vì các tương tác dịch vụ khách hàng mang tính lặp lại và các câu hỏi của khách hàng đều được trả lời giống nhau, dù là bởi một người hay một nhân viên. Cách tiếp cận này không thỏa hiệp với các trường hợp ngoại lệ - những trường hợp đó được chuyển giao cho các nhân viên con người.
Bán lẻ
Tôi hơi nhớ những ngày được nói chuyện với nhân viên bán hàng.
Vấn đề là họ quá bận rộn để làm quen với danh mục và chính sách của cửa hàng, chưa kể đến thời gian phải dành để giao dịch với từng khách hàng.
Hãy sử dụng trợ lý bán hàng bằng giọng nói như MyLow của Lowe: một nhân viên bán hàng ảo có thông tin về chi tiết sản phẩm, hàng tồn kho và chính sách.
LLMs 'kiến thức tổng quát thực sự tỏa sáng ở đây: ngoài việc cung cấp thông tin cụ thể về Lowe's, nó còn sử dụng kiến thức thiết kế nội thất để tư vấn cho khách hàng về cách trang trí nhà cửa.
Một số khách hàng vẫn đang tìm kiếm sự tương tác của con người. May mắn thay, MyLow cũng có sẵn cho các cộng sự bán hàng. Nhân viên có thể lấy thông tin họ cần từ MyLow và tự mình giúp đỡ khách hàng.
Bắt đầu cung cấp trợ lý giọng nói AI
Trợ lý AI giọng nói là giải pháp rõ ràng. Hiệu quả và tính cách, mà không ảnh hưởng đến tính nhân văn - đây là giải pháp đôi bên cùng có lợi.
Botpress cung cấp trình xây dựng kéo và thả có thể tùy chỉnh, giám sát trực tiếp, nhiều tích hợp dựng sẵn và trên hết là trình bao bọc giọng nói tích hợp liền mạch với tác nhân của bạn.
Bot của chúng tôi sạch sẽ và trực quan, nhưng không hề cơ bản.
Bắt đầu xây dựng ngay hôm nay . Hoàn toàn miễn phí.
Câu hỏi thường gặp
Trợ lý giọng nói AI có chính xác đến đâu trong việc hiểu các giọng khác nhau hoặc khiếm khuyết về giọng nói?
Trợ lý giọng nói AI ngày càng chính xác hơn với nhiều giọng địa phương khác nhau nhờ được đào tạo trên các tập dữ liệu toàn cầu, nhưng độ chính xác vẫn giảm đối với giọng địa phương nặng, phát âm khác thường hoặc khiếm khuyết về giọng nói. Một số hệ thống như Google và Microsoft cung cấp các mô hình giọng địa phương cụ thể, nhưng người dùng gặp khó khăn đáng kể về giọng nói có thể gặp tỷ lệ lỗi cao hơn và cần điều chỉnh tùy chỉnh hoặc các giải pháp chuyên biệt.
Trợ lý giọng nói AI có thể hoạt động ngoại tuyến hay luôn yêu cầu kết nối internet?
Trợ lý giọng nói AI có thể hoạt động ngoại tuyến nếu sử dụng công nghệ nhận dạng giọng nói và mô hình ngôn ngữ trên thiết bị, nhưng điều này thường giới hạn ở các tác vụ đơn giản hơn và không thể truy cập dữ liệu bên ngoài theo thời gian thực. Hầu hết các trợ lý tiên tiến đều dựa vào internet để xử lý dữ liệu đám mây và cập nhật thông tin.
Dữ liệu được chia sẻ với trợ lý giọng nói AI an toàn đến mức nào, đặc biệt là đối với các ngành nhạy cảm như chăm sóc sức khỏe và ngân hàng?
Dữ liệu được chia sẻ với trợ lý giọng nói AI trong các ngành nhạy cảm như chăm sóc sức khỏe và ngân hàng được bảo mật thông qua mã hóa và tuân thủ các quy định như HIPAA, GDPR hoặc PCI DSS. Tuy nhiên, doanh nghiệp phải cẩn thận lựa chọn nhà cung cấp có chứng nhận bảo mật mạnh mẽ và nên tránh truyền tải thông tin nhận dạng cá nhân.
Có tốn kém không khi thêm giao diện giọng nói vào chatbot hiện có?
Việc thêm giao diện giọng nói vào chatbot hiện có có thể khá tốn kém (sử dụng API đám mây như Google Text-to-Speech hoặc Botpress (bao gồm giọng nói) trở nên tốn kém hơn nếu cần phát triển tùy chỉnh hoặc tích hợp vào các hệ thống độc quyền. Nhiều nền tảng hiện nay cung cấp tính năng tích hợp giọng nói, giúp giảm chi phí xuống còn vài trăm dollars mỗi tháng cho mức sử dụng vừa phải, nhưng triển khai quy mô lớn với giọng nói tùy chỉnh hoặc nhu cầu bảo mật có thể đạt đến mức giá doanh nghiệp là hàng chục nghìn dollars .
Một doanh nghiệp có thể triển khai trợ lý giọng nói AI từ đầu nhanh như thế nào?
Một doanh nghiệp có thể triển khai trợ lý giọng nói AI cơ bản chỉ trong vài giờ bằng cách sử dụng nền tảng không cần mã hoặc các mẫu dựng sẵn, đặc biệt là cho các tác vụ đơn giản như Câu hỏi thường gặp (FAQ) hoặc định tuyến cuộc gọi. Các trợ lý giọng nói phức tạp hơn, tích hợp với hệ thống phụ trợ và hỗ trợ hội thoại tự nhiên, thường mất vài tuần đến vài tháng để phát triển.
.png)
