วิธีสร้าง AI Call Agent ด้วย Python, Groq LLM และ TTS
เจาะลึกการพัฒนา AI โทรศัพท์อัตโนมัติสำหรับงานขนส่งด้วย Python ผสาน Speech-to-Text, Groq LLM, Edge TTS และระบบตรวจจับสถานะสาย
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- ใช้ Python และลูปการทำงาน 4 ส่วนหลักเพื่อสร้าง AI Call Agent
- ผสาน Whisper STT และ Groq LLM (เช่น llama-3.1-8b-instant) เพื่อความเร็วต่ำ
- ใช้ Edge TTS และอุปกรณ์เสียงเสมือน (VB-CABLE) สำหรับการสนทนา
- พัฒนาระบบตรวจสอบสถานะสายและตรวจจับข้อความเสียง (Voicemail) อัตโนมัติ
การสร้าง AI Call Agent ด้วยภาษา Python สำหรับงานโทรติดต่ออัตโนมัติ เช่น งานจัดส่งสินค้าและโลจิสติกส์ อาศัยการเชื่อมโยงระบบการทำงาน 4 ส่วนเข้าด้วยกันในลูปเดียว ได้แก่ การแปลงเสียงเป็นข้อความ (Speech-to-Text) เพื่อรับฟังคู่สาย, การใช้ Large Language Model (เช่น Groq) เพื่อตัดสินใจตอบกลับ, การแปลงข้อความ Text-to-Speech (เช่น Edge TTS) เพื่อสร้างเสียงพูด และระบบตรวจจับสถานะการโทร เพื่อให้บอทเริ่มพูดเฉพาะเมื่อมีมนุษย์รับสายจริงๆ เท่านั้น แนวทางนี้นำมาใช้ใน Google Voice Dispatch Agent ที่พัฒนาขึ้นสำหรับงานติดต่อรถบรรทุก
ลำดับการทำงานขณะรันระบบเริ่มต้นด้วยการโหลดรายชื่อผู้ติดต่อและการตั้งค่า, รันการตรวจสอบความพร้อม (Preflight checks), สร้างเสียงทักทายและเสียงฝากข้อความล่วงหน้า, ทำการโทรออก, รอจนกระทั่งการเชื่อมต่อได้รับการยืนยัน, เข้าสู่ลูปการสนทนา และบันทึกประวัติการโทรพร้อมสลับไปยังรายชื่อถัดไปหลังพ้นช่วงพัก (Cooldown)
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ปัญหาสำคัญประการหนึ่งคือการที่บอทส่งเสียงพูดในขณะที่สายนายังคงดังอยู่ ซึ่งจะทำให้การสนทนาดูล้มเหลว ระบบ Dispatch Agent จึงใช้เงื่อนไขที่รัดกุม โดยสถานะสายเรียกเข้าจะไม่สามารถเปลี่ยนตรงไปเป็นสถานะสายหลุดได้ทันที และต้องผ่านหน้าต่างเวลาการโทรขั้นต่ำก่อนที่สถานะจะเปลี่ยน นอกจากนี้ เสียงทักทายเริ่มต้นจะทำงานก็ต่อเมื่อมีการยืนยันการเชื่อมต่อแล้วเท่านั้น
ในส่วนของการประมวลผลเสียงและการตอบกลับ ระบบใช้ไลบรารี Groq พร้อมโมเดลเช่น whisper-large-v3 ในการแปลงเสียงพูดเป็นข้อความ จากนั้นใช้โมเดลแชท เช่น llama-3.1-8b-instant ร่วมกับ Prompt ระบบที่กระชับและเจาะจงเฉพาะงาน (เช่น การยืนยันความพร้อมและเส้นทางวิ่งของรถบรรทุก) โดยจำกัดคำตอบให้อยู่ที่ 1 ถึง 2 ประโยคเพื่อให้การสนทนาทางโทรศัพท์มีความเป็นธรรมชาติ จากนั้นเสียงจะถูกแปลงผ่าน edge_tts และส่งเข้าสู่สายโทรศัพท์ผ่านอุปกรณ์เสียงเสมือน (VB-CABLE) ที่ตั้งค่าเป็นไมโครโฟนของเบราว์เซอร์
การสร้าง AI Call Agent ที่มีประสิทธิภาพสูงจำเป็นต้องคำนึงถึงความหน่วง (Latency) เป็นสำคัญ เนื่องจากบทสนทนาทางโทรศัพท์ต้องการการตอบสนองที่รวดเร็วแบบเรียลไทม์ การเลือกใช้โครงสร้างพื้นฐานฮาร์ดแวร์หรือโมเดลที่ประมวลผลเร็วอย่าง Groq จึงช่วยลดช่องว่างระหว่างการฟังและการตอบกลับได้อย่างมีนัยสำคัญ นอกจากนี้ นักพัฒนาต้องให้ความสำคัญกับกฎหมายคุ้มครองข้อมูลส่วนบุคคลและระเบียบข้อบังคับด้านการตลาดทางโทรศัพท์ เช่น GDPR หรือ PECR ในสหราชอาณาจักรและสหภาพยุโรป รวมถึงการให้ความยินยอมและการเปิดเผยสถานะการใช้งานระบบอัตโนมัติอย่างโปร่งใส
ระบบยังมีความสามารถในการตรวจจับข้อความเสียง (Voicemail) โดยจะตรวจสอบหลังจากเชื่อมต่อสายแล้วเท่านั้น ผ่านการใช้สัญญาณ DOM ร่วมกับระบบจำแนกเสียงในตอนต้นสายสำหรับเสียงทักทายและเสียงสัญญาณบี๊บ หากยืนยันได้ว่าเป็นระบบฝากข้อความ บอทจะเล่นไฟล์เสียงฝากข้อความที่สร้างไว้ล่วงหน้าแทนการเริ่มสนทนา และทุกสายการโทรจะจบลงด้วยการบันทึก Log, ไฟล์ถอดเสียง, ไฟล์บันทึกการสนทนา และการอัปเดต CRM เพื่อให้มนุษย์สามารถตรวจสอบย้อนหลังได้ โดยโปรเจกต์นี้พัฒนาโดย Muhammad Afzal Kalwar ผู้ก่อตั้ง INDUS Web Agency ในกรุงอิสลามาบัด ประเทศปากีสถาน
ที่มา: Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น