ElevenLabs เผยพรีวิว Interaction Engine พร้อมแผนรองรับการปรับจูนโมเดลรายองค์กรในไม่กี่เดือน

อีเลฟเว่นแล็บส์ (ElevenLabs) เผยตัวอย่างระบบ Interaction Engine สำหรับประสานการสนทนาด้วย AI พร้อมระบุแผนรองรับการปรับจูนโมเดลตามข้อมูลของแต่ละองค์กรภายในไม่กี่เดือน

บริษัทเปิดตัว Interaction Engine ในรูปแบบพรีวิวที่งานซัมมิตในนิวยอร์กเมื่อวันที่ 11 ส่วนฟีเจอร์ปรับจูนโมเดลรายองค์กรเป็นแผนการสนับสนุนแยกต่างหาก

โมเดลที่วางแผนจะปรับจูนประกอบด้วยโมเดลภาษารหัสเปิดบางรุ่นและโมเดลเสียงของ ElevenLabs บริษัทระบุว่าจะนำข้อมูลและตัวชี้วัดของแต่ละองค์กรมาใช้ในการปรับโมเดล

องค์กรสามารถใช้ข้อมูลจากการนำบริการ AI ไปใช้งานจริง และเลือกตัวชี้วัดได้ เช่น ความพึงพอใจของลูกค้า (CSAT) หรือความน่าเชื่อถือ ทีมนักวิจัยของ ElevenLabs จะร่วมกับแต่ละองค์กรปรับโมเดลตามตัวชี้วัดที่เลือก

มาติ สตานิเชฟสกี (Mati Staniszewski) ผู้ร่วมก่อตั้งและ CEO ของ ElevenLabs กล่าวว่า “เราไม่สามารถแก้ปัญหาปฏิสัมพันธ์ระหว่างมนุษย์กับ AI ได้ หากไม่สะท้อนเอกลักษณ์เฉพาะของผู้คนและองค์กร” เขาอธิบายว่าแนวทางนี้จะนำบริบทและเกณฑ์ประเมินที่แตกต่างกันของแต่ละองค์กรมาใช้ปรับโมเดล

โพสต์อย่างเป็นทางการของ ElevenLabs บน LinkedIn ระบุว่าโมเดลเสียงครอบคลุมทั้งการแปลงข้อความเป็นเสียง (Text to Speech) และการแปลงเสียงเป็นข้อความ (Speech to Text) ขณะที่ประกาศอย่างเป็นทางการไม่ได้ระบุขอบเขตการใช้งานของโมเดลเสียงไว้อย่างเจาะจง

ElevenLabs ระบุว่ากำลังพัฒนาโมเดลที่ปรับให้เหมาะกับบริการทางการเงินด้วย ส่วนตัวอย่างในด้านการแพทย์คือ Scribe v3 Medical ซึ่งบริษัทกล่าวว่าสามารถจัดการคำศัพท์ทางการแพทย์ที่ซับซ้อนและแยกแยะชื่อยาที่คล้ายกันได้

คำอธิบายประสิทธิภาพของ Scribe v3 Medical มาจากประกาศของบริษัท โดยไม่มีผลตรวจสอบจากหน่วยงานอิสระ เอกสารแนะนำการรู้จำเสียงในปัจจุบันยังแนะนำให้ใช้ Scribe v2 Medical กับเสียงทางการแพทย์และเสียงจากงานคลินิก

ประกาศในงานซัมมิตไม่ได้ระบุว่า Scribe v3 Medical จะเปิดให้ใช้งานเมื่อใดหรือจะเปิดให้ผู้ใช้ทั่วไปหรือไม่ เวอร์ชันโมเดลในเอกสารผลิตภัณฑ์จึงต่างจากเวอร์ชันที่กล่าวถึงในงาน

Interaction Engine ประสานจังหวะตอบกลับและเลือกโมเดลภาษาในแต่ละช่วงของบทสนทนา โดย ElevenLabs เปิดตัวระบบนี้ในรูปแบบพรีวิว

ระบบจะประเมินว่าผู้ใช้พูดจบเมื่อใด และจัดการให้ AI หยุดตอบเมื่อผู้ใช้พูดแทรก ฟีเจอร์นี้ครอบคลุมการเริ่มหรือหยุดคำตอบตามจังหวะของบทสนทนา

ระบบยังเลือกโมเดลภาษาขนาดใหญ่ (LLM) ให้เหมาะกับคำขอด้วย โดยอาจจัดสรรโมเดลต้นทุนต่ำให้กับคำขอที่ไม่ซับซ้อน และเลือกโมเดลที่มีประสิทธิภาพสูงกว่าสำหรับคำขอที่ซับซ้อน

ElevenLabs ระบุว่าการเลือกโมเดลช่วยจัดการปริมาณการใช้โทเคนได้ โทเคนคือหน่วยข้อความที่โมเดลภาษาใช้ประมวลผลข้อมูลขาเข้าและขาออก

เอกสาร ElevenAgents ที่มีอยู่แล้วอธิบายการตั้งค่าจังหวะการสนทนาและการพูดแทรกไว้ก่อนหน้านี้ ส่วน TokenPost เคยรายงานว่า ElevenLabs เปิดตัว Model Q ซึ่งใส่เวลาเริ่มพูดลงในผลถอดเสียงเป็นรายตัวอักษร โดย Interaction Engine ครั้งนี้เน้นจังหวะการสนทนาและการเลือกโมเดลภาษา

กำหนดการซัมมิตในนิวยอร์กยังมีเวทีเสวนาด้านการเงินที่ผู้แทนจาก Customers Bank, Banco Inter และ Nasdaq เข้าร่วม การเข้าร่วมเวทีไม่ได้หมายความว่าสถาบันเหล่านี้นำผลิตภัณฑ์ใหม่ไปใช้หรือให้การสนับสนุน

ElevenLabs ระบุในประกาศว่าจะรองรับฟีเจอร์ปรับจูนโมเดลรายองค์กรภายในไม่กี่เดือน แต่ยังไม่ได้แจ้งวันเปิดตัวที่แน่นอนหรือกำหนดการเปิดให้ใช้งานทั่วไปของ Interaction Engine