สถาปัตยกรรมและการสร้างเอเจนต์
เราสร้างเอเจนต์ได้ไม่จำกัดจำนวน และการสร้างไม่เสียเงินสักบาท ตัวระบบใช้ Flash v2.5 มาแปลงข้อความเป็นเสียงเพราะมันเร็วมาก (หน่วงแค่ประมาณ 75 มิลลิวินาที) จับคู่กับ Scribe realtime ที่คอยถอดเสียงคนเป็นข้อความ (หน่วงราว 150 มิลลิวินาที) ตรงนี้อยากย้ำไว้เลยว่า ถึงจะเรียกว่า 'เอเจนต์' แต่จริง ๆ มันก็คือระบบเสียงที่เอาชิ้นส่วนสามอย่างมาต่อกัน คือตัวแปลงข้อความเป็นเสียง (TTS) ตัวถอดเสียงเป็นข้อความ (STT) และสมองที่เป็นโมเดลภาษา (LLM) ไม่ใช่แชตบอต (chatbot) สำเร็จรูปที่กดปุ๊บใช้ได้ปั๊บ คนสร้างต้องมานั่งออกแบบเองว่าจะให้มันเปิดบทสนทนายังไง และให้มันมีพฤติกรรมแบบไหน
การคิดเงินตามนาทีและกับดักต้นทุน
เอเจนต์เสียงคิดเงินตามจำนวนนาทีที่โทรคุยกัน และคิดแยกออกมาต่างหาก ไม่ได้ไปดึงจากถังเครดิตรวม (credit pool) ที่ใช้ร่วมกับฟีเจอร์อื่น แต่ละแพ็กเกจจะมีโควตานาทีของตัวเอง เช่น แพ็กฟรีให้ 15 นาที และรับสายพร้อมกันได้ 4 สาย, แพ็ก Creator ให้ 275 นาที รับได้ 10 สายพร้อมกัน, ส่วน Business ให้ถึง 12,375 นาที รับได้ 40 สายพร้อมกัน ถ้าใช้เกินโควตา (overage) จะโดนคิดเพิ่ม นาทีปกติ 0.08 ดอลลาร์ แต่ถ้ารับสายพร้อมกันเกินที่แพ็กกำหนด (burst) จะขึ้นเป็น 0.16 ดอลลาร์ต่อนาที และถ้าเป็นข้อความคิด 0.003 ดอลลาร์ต่อข้อความ จุดที่เป็นกับดักตัวจริงคือ ค่าประมวลผลของโมเดลภาษา (LLM tokens) กับค่าระบบโทรศัพท์ (telephony) เขาคิดแยกต่างหากจากค่านาทีอีกที เลยทำให้คนมักคำนวณต้นทุนจริงต่ำกว่าที่จ่ายจริง