Phone calls are an API to the world — and AI takes this to the next level!
电话呼叫是通向世界的 API —— 而人工智能将其提升到了一个新的水平。本篇文章深入探讨了 a16z 对 AI 语音助手的洞察，全面剖析了其发展机遇、技术架构、未来趋势，以及在 B2B 和 B2C 领域的应用潜力。 01.AI 语音助手的机遇 现在正是重新定义电话的时代。得益于最新的人工智能技术，人们不再需要亲自打电话了。他们只会在通话真正有价值时才选择通话。 对企业来说，这意味着： 1、节省人工呼叫所需的时间和劳动力成本； 2、有机会重新分配资源以增加收入； 3、通过提供更加合规和一致的客户体验来降低风险。 对消费者而言，语音助手能够提供与人类相媲美的服务，而无需支付额外费用或与真人进行匹配。目前，这包括了治疗师、教练和陪伴服务——未来，这种服务可能会扩展到更广泛的基于语音的体验。正如大多数 toC 软件一样，最终的「赢家」是不可预测的。 在语音助手的各个层面，都隐藏着巨大的发展机遇——无论是构建基础设施、打造消费者界面还是提供企业级代理服务。针对面向消费者（B2C）和企业（B2B）的语音助手，我们归纳总结出以下关键特征： 1、重视构建效率 我们正在寻找那些对语音助手建设有明确见解的创始人，他们专注于优化语音助手的关键性能指标——速度、准确性、语气 / 情感等，以提供无缝的用户体验。 2、垂直专业化 我们认为，表现出色的语音助手很可能专注于特定垂类行业或领域，利用为特定用例定制的模型和紧密集成的工具集。这种方法更易于实施，并且能够更快地在市场上取得成功。 3、实际的业务范围 完全依赖人工智能处理所有重要通话是一项挑战——我们预计短期内，语音助手公司可能会采取一些「不可扩展」的策略。这可能包括对每个客户进行个性化调优，或者在必要时将通话转接给人工代理完成。
02.技术架构
1、构建语音助手的架构
新一代的多模态模型，例如 GPT-4o，可能会通过单一模型同时处理多个层面，从而改变现有的架构结构。这不仅能够降低延迟和成本，还能支持更自然的对话界面——因为许多代理在传统的堆叠架构下，难以达到真正类似人类的对话质量。
语音助手的有效运作需要经过几个关键步骤：首先接收人类语音（自动语音识别，ASR），然后利用大型语言模型（LLM）处理输入并生成输出，最后以语音的形式回复给人类（文本到语音，TTS）。
在某些公司或方法中，单个或一系列 LLM 负责处理对话流程和情感分析。而在其他情况下，有专门的引擎来增加情感表达、管理对话中断等。提供「全栈」服务的语音供应商能够一站式提供上述所有功能。
面向消费者（B2C）和企业（B2B）的应用位于这个架构的顶层。即使使用第三方服务提供商，这些应用通常也会集成自定义的 LLM——这些模型通常也用作对话引擎。
2、全栈解决方案与自定义组装
创建语音助手时，开发者可以选择在全栈平台（如 Retell、Vapi、Bland 等）上启动他们的代理，或者自行组装所需的技术堆栈。在做出这一决策时，有几个关键因素需要考虑：
1、复杂性
全栈解决方案为启动语音助手提供了一种简化的方法——它们隐藏了基础设施的复杂性，同时保留了自定义和调优的可能性。这包括从添加提示或知识文档（如 Retrieval-Augmented Generation, RAG）到集成大型语言模型（LLM）的各个方面。
2、灵活性
对于那些针对特定行业或用例构建产品的创始人来说，他们可能希望在堆栈的每个层面上拥有最大的操作灵活性，并尽可能减少延迟。在自行组装技术堆栈时，实现这种灵活性可能更加容易。
3、成本
全栈服务提供商可能会为每次调用增加额外成本，因为他们需要从中获得利润。然而，他们也可能有能力为大量用户提供更优惠的定价方案。对于大规模部署的语音代理来说，每分钟的成本差异，哪怕是几美分，也可能成为重要的考量因素。
4、控制
当出现问题时，语音代理的创始人需要能够迅速定位并解决问题——尤其是对于那些对准确性要求极高的用例。他们也可能希望对每一层的技术有深入的了解和控制。采用自行组装的技术堆栈可能会使得这些需求更容易得到满足。
下图是目前在各个技术层面上的一些领先参与者。这份列表并非详尽的市场地图，而是代表了语音助手创始人最常提及的一些名字。
我们预期，随着多模态模型的兴起，整个技术栈将会经历重大变革。
03.B2B 语音助手
1、演变
我们已经见证了 B2B 语音助手领域经历了三波主要的技术浪潮：
IVR（交互式语音应答）
在传统的 IVR 系统中，消费者通过按键选择来与系统交互。例如，他们可能会听到提示：「按 1 转销售部门，按 2 转客户支持」，然后根据语音提示选择相应的服务。
AI 1.0（电话树）
AI 1.0 代表了 IVR 系统的一个进步，它允许消费者使用自然语言与系统交流。代理会尝试通过一系列对话流程来理解消费者的需求，并引导他们到达正确的服务选项。
AI 2.0（LLM）
AI 2.0 进一步发展了这一概念，允许更自由形式的对话。在这种模式下，AI 不会强制将消费者的每一句话与预定义的选项相匹配。相反，它旨在理解消费者的整体意图，并提供更自然、更人性化的交互体验。
许多语音助手公司采取了针对特定行业（如汽车服务）或特定任务类型（如预约安排）的垂直特定方法，原因如下：
- 执行难度
- 法规和许可证
- 集成
- 与其他软件的结合
- 呼叫类型、语调和结构；
- 集成和流程；
- 市场进入策略（GTM）和「杀手级功能」。
04.B2C 语音助手
1、演变
到目前为止，主导消费者市场的人工智能语音助手来自大型公司，例如 ChatGPT Voice 和 Inflection 的 Pi 应用。消费者语音助手的发展较慢有几个原因：
- 大型公司已经拥有广泛的消费者基础和一流的模型（在准确性、延迟等方面）。语音服务并不容易大规模交付，尤其是考虑到最近推出的 GPT-4o。
- B2B 语音助手是将 AI「插入」现有流程中，而 B2C 语音助手则要求用户采纳新的行为，这可能比较慢或需要更具吸引力的产品。
- 由于过去使用 Siri 等产品的经验，消费者对语音 AI 的看法一直很负面，因此他们可能不愿意尝试新的应用程序。
- 目前的产品已经能够满足语音 AI 的基本用例——如辅导、陪伴等。B2C 语音初创公司才刚刚开始解决特定的用例或创造 ChatGPT、Pi 等无法处理的体验。
