AI ສຽງ (AI Voice Agent) ແມ່ນຕົວແທນທີ່ປະຕິບັດຂະບວນການຕໍ່ເນື່ອງຕັ້ງແຕ່ການຖອດຂໍ້ຄວາມຈາກສຽງ (STT), ການເຂົ້າໃຈເຈດຕະນາ ແລະ ສ້າງຄຳຕອບດ້ວຍ LLM, ໄປຈົນເຖິງການສັງເຄາະສຽງເພື່ອຕອບໂຕ້ (TTS) ໂດຍໃຫ້ຄວາມຮູ້ສຶກທີ່ປະມວນຜົນໄດ້ ແບບ Real-time. ໃນບົດຄວາມນີ້, ພວກເຮົາຈະສະຫຼຸບກົນໄກ, ການເລືອກ Stack, ແລະ ຂັ້ນຕອນການນຳໃຊ້ AI ສຽງສຳລັບບໍລິສັດທີ່ຂະຫຍາຍທຸລະກິດເຂົ້າສູ່ລາວ ເພື່ອນຳໄປໃຊ້ໃນສູນບໍລິການລູກຄ້າ (Call Center), ການປະຕິບັດງານໜ້າວຽກຕົວຈິງ, ແລະ ການຈັດການຄຳສັ່ງຊື້-ຂາຍ. ເນື່ອງຈາກພາສາລາວຖືກຈັດຢູ່ໃນກຸ່ມພາສາທີ່ມີຊັບພະຍາກອນໜ້ອຍ (Low-resource language) ໃນລະດັບໂລກ, ການຕັ້ງສົມມຸດຕິຖານແບບດຽວກັບພາສາອັງກິດຈະນຳໄປສູ່ຄວາມລົ້ມເຫຼວ. ຈາກປະສົບການທີ່ບໍລິສັດຂອງພວກເຮົາໄດ້ມີສ່ວນຮ່ວມໃນໂຄງການ AI ສຽງໃນປະເທດລາວ, ພວກເຮົາຈະນຳສະເໜີໂຄງສ້າງທີ່ສາມາດເຮັດວຽກໄດ້ຈິງ ແລະ ຈຸດທີ່ຄວນລະວັງ ໂດຍແຊກປະສົບການຈາກການເຮັດວຽກຕົວຈິງ.

ກ່ອນອື່ນໝົດ, ຂໍອະທິບາຍວ່າ Voice AI Agent ແມ່ນຫຍັງ ແລະ ເມື່ອຈະເປີດຕົວ ຫຼື Launch ໃນພາສາລາວ ຈະມີຄວາມແຕກຕ່າງຈາກພາສາອັງກິດແນວໃດ. ຖ້າເຫັນພາບລວມຂອງກົນໄກການເຮັດວຽກແລ້ວ, ຈະຊ່ວຍໃຫ້ການຕັດສິນໃຈໃນການເລືອກ ແລະ ຂັ້ນຕອນການນຳໃຊ້ໃນພາຍຫຼັງມີຄວາມວ່ອງໄວຂຶ້ນ.

ພາຍໃນຂອງ Voice AI Agent ໂດຍທົ່ວໄປແລ້ວຈະແບ່ງອອກເປັນ 3 ຊັ້ນຄື:

• STT (Speech-to-Text): ແປງສຽງທີ່ປ້ອນເຂົ້າຜ່ານໄມໂຄຣໂຟນໃຫ້ເປັນຂໍ້ຄວາມ. ຕົວຢ່າງທີ່ໂດດເດັ່ນໄດ້ແກ່ Whisper, Google STT, Deepgram ແລະ ອື່ນໆ.
• LLM: ປະມວນຜົນຂໍ້ຄວາມທີ່ປ້ອນເຂົ້າມາເພື່ອເຂົ້າໃຈເຈດຕະນາ ແລະ ສ້າງຄຳຕອບ. ໃນຫຼາຍກໍລະນີ ມັກຈະມີການນຳໃຊ້ RAG ຫຼື ການຮຽກໃຊ້ເຄື່ອງມືຂອງລະບົບທຸລະກິດມາລວມເຂົ້າກັນ.
• TTS (Text-to-Speech): ແປງຂໍ້ຄວາມຄຳຕອບຈາກ LLM ໃຫ້ເປັນສຽງເພື່ອສົ່ງກັບຄືນຫາຜູ້ໃຊ້. ຕົວເລືອກທີ່ນິຍົມໃຊ້ໄດ້ແກ່ Google TTS, ElevenLabs ແລະ Neural TTS ຂອງບໍລິສັດຕ່າງໆ.

ໃນໄລຍະຫຼັງໆນີ້, ໄດ້ມີການປະກົດຕົວຂອງໂມເດວ "Voice Native" ເຊັ່ນ OpenAI Realtime API ຫຼື Gemini Live ເຊິ່ງສາມາດເຮັດວຽກ STT → LLM → TTS ໃຫ້ສຳເລັດພາຍໃນ API ດຽວ. ໂມເດວເຫຼົ່ານີ້ມີຄວາມໜ່ວງຂອງການຕອບສະໜອງທີ່ສັ້ນ ແລະ ສາມາດສ້າງປະສົບການທີ່ໃກ້ຄຽງກັບການສົນທະນາກັບມະນຸດໄດ້ງ່າຍ. ຢ່າງໃດກໍຕາມ, ເນື່ອງຈາກພາສາທີ່ຮອງຮັບ, ຕົ້ນທຶນ ແລະ ຄວາມສາມາດໃນການປັບແຕ່ງມີເງື່ອນໄຂທີ່ແຕກຕ່າງຈາກໂຄງສ້າງ 3 ຊັ້ນແບບດັ້ງເດີມ, ການເລືອກໃຊ້ຈຶ່ງຈຳເປັນຕ້ອງພິຈາລະນາໃຫ້ສອດຄ່ອງກັບ Use Case.

ພາສາລາວມີຈຳນວນຜູ້ເວົ້າປະມານ 7 ລ້ານຄົນໃນທົ່ວໂລກ ເຊິ່ງເມື່ອທຽບກັບພາສາອັງກິດ, ພາສາຈີນ ແລະ ພາສາສະເປນແລ້ວ, ປະລິມານຂໍ້ມູນສຳລັບການຮຽນຮູ້ແມ່ນໜ້ອຍກວ່າຫຼາຍ. ສິ່ງນີ້ສົ່ງຜົນກະທົບຕໍ່ເກືອບທຸກຊັ້ນຂອງ Voice AI Stack:

• STT: ຕົວແບບທີ່ຖືກຮຽນຮູ້ສະເພາະພາສາລາວມີຈຳກັດ, ເຮັດໃຫ້ອັດຕາການຮັບຮູ້ຄຳສັບຜິດພາດມີແນວໂນ້ມສູງກວ່າພາສາອັງກິດ ແລະ ພາສາໄທ. ຖ້າມີການປະສົມປະສານລະຫວ່າງສຳນຽງທ້ອງຖິ່ນ, ພາສາປາກເວົ້າຂອງໄວໜຸ່ມ ແລະ ຄຳສັບສະເພາະທາງວິຊາການ, ການຮັບຮູ້ຜິດພາດກໍຈະ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ.
• LLM: LLM ທົ່ວໄປສ່ວນຫຼາຍມີຄວາມສາມາດໃນການເຂົ້າໃຈພາສາລາວອ່ອນກວ່າພາສາອັງກິດ. ເຖິງວ່າຈະສາມາດຕອບໂຕ້ປະໂຫຍກສັ້ນໆໄດ້, ແຕ່ເມື່ອມີການສັ່ງການດ້ວຍຂໍ້ຄວາມຍາວໆ ຫຼື ມີຄຳສັບສະເພາະທາງອຸດສາຫະກຳເຂົ້າມາ ກໍຈະເຮັດໃຫ້ຄວາມຖືກຕ້ອງຫຼຸດລົງ.
• TTS: TTS ທາງການຄ້າທີ່ສາມາດສ້າງສຳນຽງພາສາລາວໄດ້ຢ່າງເປັນທຳມະຊາດນັ້ນມີຈຳນວນໜ້ອຍ ແລະ ຄວາມຫຼາກຫຼາຍຂອງສຽງກໍບໍ່ອຸດົມສົມບູນເທົ່າກັບພາສາອັງກິດ.

ສະຫຼຸບກໍຄື, ຖ້າຫາກນຳເອົາໂຄງສ້າງ Voice AI ທີ່ເຮັດວຽກດ້ວຍພາສາອັງກິດມາປ່ຽນເປັນພາສາລາວໂດຍກົງ, ຄວາມຖືກຕ້ອງໃນຄວາມຮູ້ສຶກຂອງຜູ້ໃຊ້ຈະຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ. ບໍລິສັດຂອງພວກເຮົາ, ໃນເວລາທີ່ ເປີດຕົວ ຫຼື Launch ລຸ້ນພາສາລາວ, ພວກເຮົາຈະບໍ່ຕັ້ງສົມມຸດຕິຖານເດັດຂາດວ່າ "ຖ້າເຮັດວຽກໄດ້ໃນພາສາອັງກິດ ກໍຈະເຮັດວຽກໄດ້ໃນພາສາລາວ". ພວກເຮົາໄດ້ວາງໂຄງຮ່າງການປະເມີນຜົນໂດຍຕັ້ງສົມມຸດຕິຖານວ່າເປັນພາສາທີ່ມີຊັບພະຍາກອນຕ່ຳ (Low-resource language) ຕັ້ງແຕ່ຕົ້ນ ແລະ ວາງແຜນການດຳເນີນງານທີ່ລວມເອົາ HITL (ການມີສ່ວນຮ່ວມຂອງມະນຸດ) ເຂົ້າໄປນຳ.

ການນຳໃຊ້ AI ສຽງໃນພາສາລາວທີ່ເໝາະສົມກັບຄວາມເປັນຈິງນັ້ນ ຈະສຸມໃສ່ການເຮັດວຽກໃນພາກສະໜາມທີ່ການໃຊ້ຂໍ້ຄວາມແຊັດ (Text chat) ເຮັດໄດ້ຍາກ. ຂໍແນະນຳ 3 ສະຖານະການຕົວຢ່າງທີ່ສຳຄັນດັ່ງນີ້:

ສູນບໍລິການລູກຄ້າ (Call Center) ຂອງບໍລິສັດຍີ່ປຸ່ນທີ່ເຂົ້າມາລົງທຶນໃນລາວ ຈະມີການປ່ຽນພາສາທີ່ໃຊ້ຕາມຄູ່ສົນທະນາ. ພາບທີ່ເຫັນໄດ້ໃນຊີວິດປະຈຳວັນຄື ການໃຊ້ພາສາໄທ ຫຼື ພາສາອັງກິດກັບຜູ້ບໍລິຫານພາຍໃນບໍລິສັດ, ໃຊ້ພາສາລາວກັບພະນັກງານປະຕິບັດງານ (Operator) ແລະ ຜູ້ໃຊ້ງານປາຍທາງ (End-user), ແລະ ໃຊ້ພາສາຍີ່ປຸ່ນໃນການຕິດຕໍ່ກັບສຳນັກງານໃຫຍ່.

ການຈັດຫາພະນັກງານປະຕິບັດງານທີ່ສາມາດເວົ້າໄດ້ຫຼາຍພາສາແມ່ນມີຄວາມຫຍຸ້ງຍາກທັງໃນດ້ານການຮັບສະໝັກ ແລະ ການຝຶກອົບຮົມ. ດັ່ງນັ້ນ, ການນຳເອົາ AI ສຽງມາໃຊ້ເປັນດ່ານໜ້າໃນການຮັບສາຍ ເພື່ອໃຫ້ສາມາດກວດສອບພາສາທີ່ໂທເຂົ້າມາໂດຍອັດຕະໂນມັດ, ໂດຍໃຫ້ AI ຕອບຄຳຖາມງ່າຍໆ ແລະ ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ ພະນັກງານທີ່ສາມາດຕອບຄຳຖາມທີ່ຊັບຊ້ອນໄດ້ ຈຶ່ງເປັນການອອກແບບທີ່ເໝາະສົມກັບຄວາມເປັນຈິງຫຼາຍກວ່າ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ໃນການນຳມາໃຊ້ງານມີ 3 ປະການຄື: (a) ຄວາມຖືກຕ້ອງໃນການຮັບຮູ້ພາສາລາວໃນດ້ານຄຳສັບທຸລະກິດນັ້ນສາມາດນຳມາໃຊ້ງານໄດ້ຈິງຫຼືບໍ່, (b) ການຕັ້ງຄ່າຂີດຈຳກັດ (Threshold) ຂອງການກວດສອບພາສາອັດຕະໂນມັດໃຫ້ຕ່ຳລົງ ເພື່ອໃຫ້ "ສົ່ງຕໍ່ໃຫ້ມະນຸດໃນກໍລະນີທີ່ບໍ່ແນ່ໃຈ", ແລະ (c) ການບັນທຶກສຽງ ແລະ ການຖອດຂໍ້ຄວາມໄວ້ສະເໝີ ເພື່ອຕິດຕາມບັນທຶກ (Log) ໃນທຸກໆອາທິດແລ້ວນຳມາປັບປຸງ. ແທນທີ່ຈະຕັ້ງເປົ້າໝາຍໃຫ້ເປັນລະບົບອັດຕະໂນມັດຢ່າງສົມບູນຕັ້ງແຕ່ຕົ້ນ, ການເລີ່ມຕົ້ນດ້ວຍ KPI ທີ່ເປັນຈິງ ເຊັ່ນ "ການຫຼຸດພາລະຂອງພະນັກງານປະຕິບັດງານລົງ 30%" ຈະເຮັດໃຫ້ໂຄງການສາມາດດຳເນີນຕໍ່ໄປໄດ້ງ່າຍກວ່າ.

ໃນສະຖານທີ່ເຮັດວຽກເຊັ່ນ: ໂຮງງານ, ສາງໂລຈິສະຕິກ, ຫຼື ສະຖານທີ່ກໍ່ສ້າງ ເຊິ່ງເປັນບ່ອນທີ່ຕ້ອງໃຊ້ສອງມືໃນການເຮັດວຽກ, ການປ້ອນຂໍ້ມູນຜ່ານແທັບເລັດ ຫຼື ຄີບອດຂອງ PC ຈະບໍ່ສາມາດໃຊ້ງານໄດ້. ຖ້າສາມາດກວດສອບສິນຄ້າຄົງຄັງ, ລາຍງານການເຮັດວຽກ, ແລະ ແຈ້ງເຫດຂັດຂ້ອງດ້ວຍສຽງໄດ້, ຜະລິດພາບໃນໜ້າວຽກຈະປ່ຽນແປງໄປຢ່າງເຫັນໄດ້ຊັດ.

ຄວນເລີ່ມຕົ້ນຈາກສະຖານະການງ່າຍໆ ເຊັ່ນ: "ເມື່ອອ່ານເລກສິນຄ້າຄົງຄັງ, AI ຈະກວດສອບລະບົບສິນຄ້າຄົງຄັງ ແລະ ຕອບກັບຈຳນວນທີ່ເຫຼືອດ້ວຍສຽງ" ຫຼື "ເມື່ອເວົ້າຄຳສັບທີ່ກຳນົດໄວ້ວ່າເຮັດວຽກສຳເລັດ, ລະບົບຈະບັນທຶກການເຮັດວຽກນັ້ນໃຫ້". ການເນັ້ນໄປທີ່ຮູບແບບ "ປະໂຫຍກທີ່ກຳນົດໄວ້ → ຂະບວນການທີ່ກຳນົດໄວ້" ຈະງ່າຍຕໍ່ການຈັດການທັງໃນດ້ານຄວາມຖືກຕ້ອງ ແລະ ພາລະໃນການດຳເນີນງານ ຫຼາຍກວ່າການສົນທະນາທີ່ຊັບຊ້ອນ.

ການເລືອກຫູຟັງ ຫຼື ສະມາດໂຟນສຳລັບວຽກງານກໍເປັນປັດໄຈທີ່ຕັດສິນຄວາມສຳເລັດ. ໃນສະຖານທີ່ທີ່ມີສຽງລົບກວນຫຼາຍ, ຄວາມຖືກຕ້ອງໃນການຮັບຮູ້ສຽງຈະແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍຂຶ້ນຢູ່ກັບວ່າໄມໂຄຣໂຟນມີຟັງຊັນຕັດສຽງລົບກວນ (Noise Cancelling) ຫຼື ບໍ່. ເນື່ອງຈາກສະພາບອາກາດຂອງລາວ, ອຸປະກອນອາດມີອຸນຫະພູມສູງໃນຊ່ວງລະດູຮ້ອນຢູ່ໜ້າວຽກ, ດັ່ງນັ້ນຕ້ອງກວດສອບຄວາມທົນທານ ແລະ ຄວາມສະຖຽນຂອງການສື່ສານຜ່ານການທົດລອງ (Pilot) ໃຫ້ແນ່ໃຈກ່ອນສະເໝີ.

ຢູ່ລາວ, ການສັ່ງຊື້ສິນຄ້າ ແລະ ການສອບຖາມຂໍ້ມູນຜ່ານໂທລະສັບຕັ້ງໂຕະ ຫຼື ການໂທຜ່ານ WhatsApp ຍັງມີຫຼາຍຢູ່. ການປ່ຽນສິ່ງເຫຼົ່ານີ້ໃຫ້ເປັນ Web フォーム ຢ່າງສົມບູນນັ້ນ ມັກຈະບໍ່ເປັນຈິງ ເມື່ອພິຈາລະນາເຖິງຄວາມຮູ້ດ້ານດິຈິຕອນ ແລະ ນິໄສຂອງລູກຄ້າ.

ຖ້າຫາກນຳເອົາລະບົບສຽງ IVR ມາປະສົມປະສານກັບ AI, ກໍສາມາດສ້າງໂຄງສ້າງດັ່ງນີ້ໄດ້: (a) ຕອບກັບການສອບຖາມຂໍ້ມູນທົ່ວໄປ ເຊັ່ນ: ສະຕັອກສິນຄ້າ, ເວລາເປີດ-ປິດ, ທີ່ຕັ້ງຮ້ານຄ້າ ໄດ້ຕະຫຼອດ 24 ຊົ່ວໂມງ ດ້ວຍລະບົບຕອບຮັບອັດຕະໂນມັດ, (b) ຮັບເນື້ອຫາການສັ່ງຊື້ຜ່ານສຽງ, ຖອດຂໍ້ຄວາມ ແລະ ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ ຜູ້ຮັບຜິດຊອບຜ່ານ LINE/WhatsApp, (c) ໂອນສາຍໃຫ້ພະນັກງານສະເພາະການສອບຖາມທີ່ມີຄວາມຮີບດ່ວນສູງເທົ່ານັ້ນ.

ຈຸດຍາກໃນການປະຕິບັດງານແມ່ນ ຄວາມຖືກຕ້ອງໃນການຮັບຮູ້ການອ່ານຕົວເລກ (ລາຄາ, ຈຳນວນ) ທີ່ເປັນເອກະລັກຂອງພາສາລາວ ແລະ ການຈັດການກັບຄຳນາມສະເພາະ (ຊື່ສິນຄ້າ, ຊື່ສະຖານທີ່, ຊື່ຄົນ). ຈຳເປັນຕ້ອງມີການອອກແບບທີ່ບໍ່ຍອມໃຫ້ເກີດຂໍ້ຜິດພາດ ເຊັ່ນ: ການມີວັດຈະນານຸກົມຄຳນາມສະເພາະໄວ້ທີ່ຝັ່ງ Gateway, ຫຼື ການໃຫ້ລະບົບທວນຄືນຜົນການຮັບຮູ້ເພື່ອຢືນຢັນຄວາມຖືກຕ້ອງສະເໝີ.

ສະແຕັກ (Stack) ຂອງ AI ສຽງພາສາລາວ ສາມາດແບ່ງອອກໄດ້ເປັນ 3 ປະເພດຫຼັກ ຄື: ລະບົບ Realtime API, ການປະສົມປະສານລະຫວ່າງ STT/TTS ແບບດັ້ງເດີມ ແລະ ການໂຮສຕ໌ດ້ວຍຕົນເອງແບບ OSS. ໂດຍຈະຂໍສະຫຼຸບລັກສະນະເດັ່ນຂອງແຕ່ລະປະເພດ ໂດຍອີງໃສ່ຄວາມເປັນຈິງຂອງຄວາມຖືກຕ້ອງໃນການໃຊ້ງານພາສາລາວ.

OpenAI Realtime API ແລະ Gemini Live ແມ່ນ API ທີ່ຮັບການປ້ອນຂໍ້ມູນສຽງແບບສະຕຣີມມິງ ແລະ ສົ່ງຄືນການຕອບໂຕ້ຂອງ LLM ເປັນສຽງແບບສະຕຣີມມິງ. ມີຄວາມໜ່ວງຂອງການຕອບໂຕ້ທີ່ສັ້ນ, ເຮັດໃຫ້ສາມາດບັນລຸປະສົບການທີ່ໃກ້ຄຽງກັບການສົນທະນາກັບມະນຸດໄດ້ງ່າຍ.

ຂໍ້ດີແມ່ນຄວາມງ່າຍໃນການນຳໄປໃຊ້ງານ, ໂດຍບໍ່ຈຳເປັນຕ້ອງຈັດການການເຊື່ອມຕໍ່ລະຫວ່າງ STT, LLM ແລະ TTS ດ້ວຍຕົນເອງ. ຖ້າໃຊ້ SDK, ທ່ານສາມາດສ້າງເດໂມທີ່ເຮັດວຽກໄດ້ດ້ວຍລະຫັດພຽງບໍ່ເທົ່າໃດຮ້ອຍແຖວ.

ຢ່າງໃດກໍຕາມ, ສະຖານະການຮອງຮັບພາສາລາວຈະປ່ຽນແປງໄປຕາມຜູ້ໃຫ້ບໍລິການ ແລະ ຊ່ວງເວລາ. ກ່ອນທີ່ຈະນຳໄປໃຊ້ງານຈິງ, ຕ້ອງກວດສອບພາສາທີ່ຮອງຮັບ ແລະ ສະຖານະປັດຈຸບັນຂອງຄວາມຖືກຕ້ອງໃນການຮັບຮູ້ຈາກເອກະສານທາງການສະເໝີ. ໃນພາສາທີ່ບໍ່ໄດ້ຢູ່ໃນລາຍການຮອງຮັບ, ຄວາມຖືກຕ້ອງອາດຈະຫຼຸດລົງຢ່າງເຫັນໄດ້ຊັດເຈນໃນບາງສຳນຽງ ຫຼື ຄຳສັບສະເພາະທາງ. ສຳລັບບໍລິສັດຂອງພວກເຮົາ, ເມື່ອມີການນຳໃຊ້ລະບົບ Realtime API ໃນໂຄງການພາສາລາວ, ພວກເຮົາຈະດຳເນີນການປະເມີນຜົນແບບທົດລອງ (Pilot) ດ້ວຍຕົວຢ່າງສຽງທີ່ເປັນຕົວແທນຂອງກຸ່ມຜູ້ໃຊ້ງານສະເໝີ.

ໃນການເລືອກ STT ຕາມໂຄງສ້າງ 3 ຊັ້ນແບບດັ້ງເດີມ, ຕົວຢ່າງທີ່ເປັນຕົວແທນໄດ້ດີຄື Whisper (OpenAI, ມີເວີຊັນ OSS) ແລະ Google Cloud Speech-to-Text.

Whisper ເປັນໂມເດວທີ່ຮຽນຮູ້ຫຼາຍພາສາ ເຊິ່ງສາມາດຮອງຮັບໄດ້ຫຼາຍພາສາລວມທັງພາສາລາວ. ເວີຊັນ OSS ສາມາດເຮັດ Self-host ໄດ້, ເຮັດໃຫ້ງ່າຍຕໍ່ການນຳໃຊ້ໃນໜ້າວຽກທີ່ບໍ່ສາມາດນຳຂໍ້ມູນອອກໄປພາຍນອກໄດ້. ໃນທາງກັບກັນ, ເມື່ອປຽບທຽບກັບໂມເດວທາງການຄ້າທີ່ຖືກປັບປຸງມາເພື່ອພາສາລາວໂດຍສະເພາະ, ອາດຈະມີຄວາມແຕກຕ່າງໃນດ້ານຄວາມແມ່ນຍຳຂອງຄຳສັບສະເພາະທາງອຸດສາຫະກຳ ຫຼື ພາສາຖິ່ນ.

Google STT ເປັນ Managed Service ເຊິ່ງມີການອັບເດດພາສາທີ່ຮອງຮັບ ແລະ ຄວາມແມ່ນຍຳຂ້ອນຂ້າງໄວ. ສະຖານະການຮອງຮັບພາສາລາວຈະປ່ຽນແປງໄປຕາມ Region, API Version ແລະ Model Type, ດັ່ງນັ້ນໃນຂັ້ນຕອນການຄັດເລືອກ ຈຶ່ງຈຳເປັນຕ້ອງກວດສອບໜ້າເວັບໄຊທີ່ຮອງຮັບພາສາຢ່າງເປັນທາງການໂດຍກົງ.

ບໍ່ວ່າຈະເລືອກໃຊ້ແບບໃດ, ກົນໄກໃນການເສີມຄຳສັບສະເພາະຂອງວຽກງານ (ຊື່ສິນຄ້າ, ຄຳຫຍໍ້ພາຍໃນບໍລິສັດ) ດ້ວຍ Dictionary Hint ແມ່ນຖືວ່າເປັນສິ່ງທີ່ຈຳເປັນຢ່າງຍິ່ງສຳລັບພາສາລາວ.

TTS ສໍາລັບພາສາລາວອາດຈະບໍ່ໄດ້ສຽງສັງເຄາະທີ່ເປັນທໍາມະຊາດເທົ່າກັບພາສາອັງກິດ. ໃນເວລາເລີ່ມນໍາໃຊ້, ຄວນຄໍານຶງເຖິງສິ່ງຕໍ່ໄປນີ້:

• Google Cloud Text-to-Speech: ເປັນບໍລິການ TTS ແບບ Managed ທີ່ຮອງຮັບຫຼາຍພາສາ, ທ່ານຈໍາເປັນຕ້ອງກວດສອບສະຖານະການຮອງຮັບພາສາລາວໃນເອກະສານທາງການ. ເຖິງແມ່ນວ່າຈະຢູ່ໃນລາຍການທີ່ຮອງຮັບ, ແຕ່ໂດຍທົ່ວໄປແລ້ວທາງເລືອກຂອງສຽງຈະບໍ່ມີຫຼາຍເທົ່າກັບພາສາອັງກິດ.
• TTS ຄຸນນະພາບສູງເຊັ່ນ ElevenLabs: ສາມາດສ້າງສຽງທີ່ເປັນທໍາມະຊາດຫຼາຍສໍາລັບພາສາອັງກິດ ແລະ ພາສາຫຼັກຕ່າງໆ, ແຕ່ການຮອງຮັບພາສາລາວຈະປ່ຽນແປງໄປຕາມແຕ່ລະໄລຍະ. ກ່ອນທີ່ຈະນໍາໃຊ້ໃນໂຄງການ, ຕ້ອງກວດສອບພາສາທີ່ຮອງຮັບໃນປັດຈຸບັນ ແລະ ລາຄາຈາກທາງການໃຫ້ແນ່ໃຈ.

ໃນທາງປະຕິບັດ, ແທນທີ່ຈະສະແຫວງຫາຄວາມເປັນທໍາມະຊາດທີ່ສົມບູນແບບດ້ວຍ TTS, ການຕັ້ງເປົ້າໝາຍໃຫ້ "ວະລີທີ່ຈໍາເປັນຕໍ່ການເຮັດວຽກສາມາດຫຼິ້ນສຽງໄດ້ຢ່າງໝັ້ນຄົງ ແລະ ຟັງອອກ" ຈະຊ່ວຍໃຫ້ພົບທາງອອກທີ່ເປັນຈິງຫຼາຍກວ່າ. ການອ່ານຂໍ້ຄວາມຍາວໆລວດດຽວມັກຈະເຮັດໃຫ້ເຫັນຄວາມບໍ່ເປັນທໍາມະຊາດໄດ້ງ່າຍ, ດັ່ງນັ້ນການໃຊ້ວິທີແບ່ງຂໍ້ຄວາມຕອບກັບໃຫ້ເປັນປະໂຫຍກສັ້ນໆ ຫຼື ການນໍາເອົາສຽງທີ່ບັນທຶກໄວ້ລ່ວງໜ້າສໍາລັບປະໂຫຍກທີ່ໃຊ້ປະຈໍາມາປະສົມປະສານກັນ ກໍເປັນວິທີທີ່ມີປະສິດທິຜົນເຊັ່ນກັນ.

ເມື່ອປຶກສາຫາລືກ່ຽວກັບ AI ສຽງພາສາລາວພາຍໃນບໍລິສັດ, ມັກຈະມີການຕັ້ງສົມມຸດຕິຖານວ່າ "ມັນເຮັດວຽກເປັນພາສາອັງກິດໄດ້ ກໍບໍ່ມີບັນຫາຫຍັງແມ່ນບໍ່?" ຫຼື "ຖ້າ LLM ສະຫຼາດພຽງພໍ ກໍພຽງພໍແລ້ວແມ່ນບໍ່?". ທັງສອງຢ່າງນີ້ເປັນຄວາມເຂົ້າໃຈຜິດທີ່ອັນຕະລາຍ ເຊິ່ງຈຳເປັນຕ້ອງໄດ້ແກ້ໄຂໃຫ້ເຂົ້າໃຈກົງກັນຕັ້ງແຕ່ຕົ້ນ.

ການສາທິດ AI ສຽງພາສາອັງກິດມີຄວາມແມ່ນຍຳເພີ່ມທະວີຂຶ້ນເລື້ອຍໆໃນແຕ່ລະປີ ຈົນຮອດລະດັບທີ່ບໍ່ສາມາດແຍກອອກຈາກການສົນທະນາກັບມະນຸດໄດ້. ແນວໃດກໍຕາມ, ຄວາມແມ່ນຍຳດັ່ງກ່າວບໍ່ສາມາດນຳມາໃຊ້ກັບພາສາລາວໄດ້ໂດຍກົງ.

ເຫດຜົນແມ່ນງ່າຍດາຍ ເພາະປະລິມານຂໍ້ມູນທີ່ໃຊ້ໃນການຮຽນຮູ້ມີຄວາມແຕກຕ່າງກັນຢ່າງມະຫາສານ. ເຖິງແມ່ນວ່າຈະເປັນ Model Architecture ດຽວກັນ, ໃນກໍລະນີທີ່ພາສາອັງກິດໃຫ້ຄວາມແມ່ນຍຳໃນການຮັບຮູ້ສູງ, ແຕ່ສຳລັບພາສາລາວມັກຈະມີຄ່າຫຼຸດລົງຢ່າງເຫັນໄດ້ຊັດ (ຕົວເລກສະເພາະຈະຂຶ້ນຢູ່ກັບ Model, ຜູ້ເວົ້າ ແລະ ຫົວຂໍ້, ສະນັ້ນຈຶ່ງຈຳເປັນຕ້ອງມີການປະເມີນໂດຍໃຊ້ຂໍ້ມູນຂອງບໍລິສັດເອງໃນຂັ້ນຕອນທົດລອງ ຫຼື Pilot).

ເພື່ອປິດຊ່ອງຫວ່າງນີ້, ຈຳເປັນຕ້ອງມີການສັ່ງສົມວິທີການຕ່າງໆ ເຊັ່ນ: (a) ການເພີ່ມວັດຈະນານຸກົມ/Hotword ທີ່ສະເພາະເຈາະຈົງກັບຂະແໜງທຸລະກິດໃຫ້ກັບ STT, (b) ການອອກແບບໃຫ້ຜູ້ໃຊ້ເວົ້າທວນຄືນ, (c) ການໃຫ້ LLM ປ່ຽນຂໍ້ມູນທີ່ບໍ່ຊັດເຈນໃຫ້ກາຍເປັນຄຳຖາມຢືນຢັນ. ຖ້າອະທິບາຍພາຍໃນບໍລິສັດວ່າ "ເພາະມັນເຮັດວຽກໄດ້ດີໃນພາສາອັງກິດ ສະນັ້ນພາສາລາວກໍຕ້ອງໄດ້ຄືກັນ" ຈະເຮັດໃຫ້ສູນເສຍຄວາມເຊື່ອໝັ້ນທັນທີເມື່ອເກີດຄວາມຜິດພາດໃນໜ້າວຽກຕົວຈິງ. ການອອກແບບໂດຍຕັ້ງສົມມຸດຕິຖານໄວ້ຕັ້ງແຕ່ຕົ້ນວ່າຈະມີຊ່ອງຫວ່າງດ້ານຄວາມແມ່ນຍຳນັ້ນຖືເປັນວິທີທີ່ປອດໄພກວ່າ.

ມີຫຼາຍຄຳຖາມທີ່ຖາມວ່າ "ໄດ້ຍິນມາວ່າ LLM ລຸ້ນໃໝ່ໆມີຄວາມສາມາດດ້ານຫຼາຍພາສາທີ່ດີ, ສະນັ້ນພຽງແຕ່ເອີ້ນໃຊ້ LLM ກໍສາມາດສ້າງ AI ສຽງໄດ້ເລີຍບໍ່?" ໃນຄວາມເປັນຈິງແລ້ວ, AI ສຽງບໍ່ສາມາດສຳເລັດໄດ້ດ້ວຍ LLM ພຽງຢ່າງດຽວ.

STT ທີ່ປ່ຽນສຽງປ້ອນເຂົ້າໃຫ້ເປັນຂໍ້ຄວາມ, TTS ທີ່ປ່ຽນຜົນລວມໃຫ້ກັບມາເປັນສຽງ, ແລະ ການເອີ້ນໃຊ້ເຄື່ອງມືເຂົ້າຫາລະບົບທຸລະກິດ (ການຈັດການສິນຄ້າຄົງຄັງ, ການຮັບອໍເດີ, ການຈັດການລູກຄ້າ) ລ້ວນແຕ່ເປັນໜ້າທີ່ອື່ນທີ່ຢູ່ພາຍນອກຂອງ LLM. ເຖິງແມ່ນວ່າຈະປ່ຽນແທນພຽງແຕ່ LLM, ແຕ່ຖ້າຫາກຊັ້ນຂໍ້ມູນອ້ອມຂ້າງເຫຼົ່ານີ້ຍັງອ່ອນແອ, ປະສົບການຂອງຜູ້ໃຊ້ກໍຈະບໍ່ດີຂຶ້ນ.

ນອກຈາກນີ້, ໃນການນຳໃຊ້ AI ເຂົ້າໃນວຽກງານຕົວຈິງ ຕ້ອງມີການອອກແບບທີ່ຕັ້ງສົມມຸດຕິຖານວ່າ "ຈະມີມະນຸດເຂົ້າມາແຊກແຊງໃນກໍລະນີທີ່ LLM ບໍ່ສາມາດຕອບໄດ້ດີ". ຖ້າຫາກບໍ່ມີການໃສ່ HITL ເຂົ້າໄປ ແລະ ປ່ອຍໃຫ້ LLM ຮັບຜິດຊອບທັງໝົດ, ບັນຫາ Hallucination ຈະກາຍເປັນຄວາມຜິດພາດໃນການບໍລິການລູກຄ້າໂດຍກົງ. ເມື່ອບໍລິສັດຂອງພວກເຮົາເຂົ້າຮ່ວມໂຄງການ AI ສຽງພາສາລາວ, ພວກເຮົາຈະຕົກລົງກັນຕັ້ງແຕ່ຕົ້ນສະເໝີວ່າ ຈະຕ້ອງອອກແບບການດຳເນີນງານໂດຍອີງໃສ່ "5 ຊັ້ນຂໍ້ມູນ ຄື: STT, LLM, TTS, ລະບົບທຸລະກິດ ແລະ ມະນຸດ" ບໍ່ແມ່ນພຽງແຕ່ LLM ຢ່າງດຽວ.

ໂຄງການ AI ສຽງພາສາລາວ ຈະປະສົບກັບບັນຫາຫາກດຳເນີນການໃນຮູບແບບດຽວກັນກັບໂຄງການ AI ສຽງພາສາອັງກິດ. ຈາກການທີ່ພວກເຮົາໄດ້ດຳເນີນຫຼາຍໂຄງການຜ່ານມາ, ພວກເຮົາໄດ້ຈັດລະບຽບວິທີການທີ່ນຳໄປສູ່ຜົນລັດທີ່ໝັ້ນຄົງອອກເປັນ 3 ເຟສ (Phase) ດັ່ງນີ້:

ໄລຍະທຳອິດມີຫຼັກການພື້ນຖານຄື "ຫ້າມນຳໃຊ້ໃນການເຮັດວຽກຈິງທັນທີ".

ຂັ້ນຕອນການດຳເນີນງານມີດັ່ງນີ້:

1. ເລືອກສະຖານະການທາງທຸລະກິດພຽງ 1 ຢ່າງ (ຕົວຢ່າງ: ການສອບຖາມສິນຄ້າຄົງຄັງຜ່ານລະບົບສຽງ IVR, ການຮັບສາຍເບື້ອງຕົ້ນຂອງສູນບໍລິການລູກຄ້າໃນໝວດໝູ່ສະເພາະ, ຫຼື ການລາຍງານການເຮັດວຽກສຳເລັດໃນໜ້າວຽກ).
2. ເກັບຕົວຢ່າງສຽງທີ່ໃຊ້ເວົ້າໃນວຽກງານນັ້ນແທ້ໆ ຢ່າງໜ້ອຍ 100-200 ຕົວຢ່າງ. ໂດຍໃຫ້ມີຄວາມຫຼາກຫຼາຍທາງດ້ານອາຍຸຂອງຜູ້ເວົ້າ, ພາສາຖິ່ນ ແລະ ສະພາບແວດລ້ອມໃນການບັນທຶກສຽງ.
3. ນຳສຽງທີ່ເກັບໄດ້ຜ່ານລະບົບ STT ທີ່ເລືອກໄວ້ເພື່ອວັດແທກອັດຕາການຮັບຮູ້. ໃນຂະນະດຽວກັນ, ໃຫ້ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ LLM ເພື່ອກວດສອບວ່າສາມາດຕອບໂຕ້ໄດ້ຢ່າງເໝາະສົມກັບວຽກງານຫຼືບໍ່.
4. ບັນທຶກຕົວເລກຄວາມແມ່ນຍຳຂອງ Baseline ພ້ອມທັງປຽບທຽບເວລາໃນການປະມວນຜົນ ແລະ ຄວາມເພິ່ງພໍໃຈຂອງຜູ້ໃຊ້ ເມື່ອທຽບກັບພະນັກງານທີ່ເປັນມະນຸດ.

ໃນຂັ້ນຕອນນີ້, ຈະເຫັນຊ່ອງວ່າງຂອງຄວາມແມ່ນຍຳທີ່ເປັນເອກະລັກຂອງພາສາລາວ. ຖ້າໄດ້ຂໍ້ສະຫຼຸບວ່າ "ຍາກກວ່າທີ່ຄາດໄວ້", ນັ້ນບໍ່ຖືວ່າເປັນຄວາມລົ້ມເຫຼວ ແຕ່ເປັນຂໍ້ມູນທີ່ຈະນຳໄປໃຊ້ໃນການອອກແບບ Phase 2 ຕໍ່ໄປ.

ອີງຕາມຜົນການປະເມີນໃນໄລຍະທີ 1, ພວກເຮົາຈະເລີ່ມຕົ້ນການນຳໃຊ້ງານຈິງແບບເປັນຂັ້ນຕອນ. ໂດຍຍັງບໍ່ທັນໄດ້ຕັ້ງເປົ້າໝາຍໃຫ້ເປັນອັດຕະໂນມັດຢ່າງສົມບູນ.

ໂດຍສະເພາະແມ່ນຈະມີການຈັດໂຄງສ້າງດັ່ງນີ້:

• AI ເປັນຜູ້ປະມວນຜົນ: AI ຈະປະມວນຜົນດ້ວຍຕົນເອງສະເພາະການຕອບໂຕ້ທີ່ມີຄວາມໝັ້ນໃຈສູງເທົ່ານັ້ນ (ຄະແນນການຮັບຮູ້ STT, ຄ່າ Threshold ຄວາມໜ້າເຊື່ອຖືຂອງການຕອບໂຕ້ຈາກ LLM ຂຶ້ນໄປ).
• ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ມະນຸດ: ໃນກໍລະນີທີ່ຕ່ຳກວ່າຄ່າ Threshold ຫຼື ມີຄຳສັບສະເພາະ, ຈະສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ພະນັກງານປະຕິບັດງານ (Operator) ທັນທີ.
• ບັນທຶກທຸກກໍລະນີ: ບັນທຶກການຕັດສິນໃຈຂອງ AI ແລະ ມະນຸດ, ຜົນລວມສຸດທ້າຍ, ແລະ ປະຕິກິລິຍາຂອງຜູ້ໃຊ້ໄວ້ທັງໝົດ.
• ການທົບທວນປະຈຳອາທິດ: ທົບທວນກໍລະນີທີ່ມີການສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ມະນຸດ ແລະ ກໍລະນີທີ່ຜູ້ໃຊ້ບໍ່ພໍໃຈໃນທຸກໆອາທິດ ເພື່ອອັບເດດວັດຈະນານຸກົມ, Prompt, ແລະ ຄ່າ Threshold.

ສຳລັບບໍລິສັດທີ່ຂະຫຍາຍທຸລະກິດເຂົ້າມາໃນລາວ, ການອອກແບບໂດຍໃສ່ເງື່ອນໄຂ "ຖ້າຕ່ຳກວ່າຄ່າ Threshold ໃຫ້ສົ່ງຕໍ່ໃຫ້ມະນຸດ" ຫຼື ບໍ່ນັ້ນ, ຈະເປັນຕົວຕັດສິນອາຍຸການຂອງໂຄງການ. ຍິ່ງຕັ້ງເປົ້າໝາຍໃຫ້ເປັນອັດຕະໂນມັດຢ່າງສົມບູນຫຼາຍເທົ່າໃດ, ບັນຫາຄວາມຮັບຜິດຊອບເມື່ອເກີດຄວາມຜິດພາດໃນໜ້າວຽກຕົວຈິງກໍຈະເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ແລະ ເຮັດໃຫ້ການນຳໃຊ້ຢຸດສະງັກໄດ້ງ່າຍ.

ເມື່ອການດຳເນີນງານໃນ Phase 2 ມີຄວາມສະຖຽນລະພາບ ແລະ ສາມາດເບິ່ງເຫັນ KPI ໄດ້ແລ້ວ ກໍຈະກ້າວເຂົ້າສູ່ຂັ້ນຕອນການຂະຫຍາຍຂອບເຂດວຽກງານ ແລະ ຈຳນວນຜູ້ໃຊ້.

ສິ່ງທີ່ສຳຄັນໃນການຂະຫຍາຍລະບົບ (Scale) ບໍ່ແມ່ນເລື່ອງຂອງເຕັກໂນໂລຊີ ແຕ່ແມ່ນການກຽມຄວາມພ້ອມທາງດ້ານອົງກອນ.

• ການສົ່ງມອບວຽກໃຫ້ພະນັກງານທ້ອງຖິ່ນ: ສະຖານະທີ່ສຳນັກງານໃຫຍ່ໃນຍີ່ປຸ່ນ ຫຼື ພະນັກງານຊາວຍີ່ປຸ່ນທີ່ປະຈຳການເທົ່ານັ້ນທີ່ເຂົ້າໃຈການດຳເນີນງານ ແມ່ນບໍ່ສາມາດຍືນຍົງໄດ້. ຕ້ອງມີການຈັດກຽມເອກະສານ ແລະ ສິດທິໃນການເຂົ້າເຖິງ ເພື່ອໃຫ້ພະນັກງານທ້ອງຖິ່ນສາມາດອັບເດດວັດຈະນານຸກົມ, ຄຳສັ່ງ (Prompt) ແລະ ຄ່າເກນ (Threshold) ໄດ້.
• ການຫຼຸດຜ່ອນການເພິ່ງພາຜູ້ໃຫ້ບໍລິການ (Vendor): ຄວນຫຼີກລ່ຽງການເພິ່ງພາ LLM, STT ຫຼື TTS ສະເພາະໃດໜຶ່ງຫຼາຍເກີນໄປ, ໂດຍການອອກແບບໂຄງສ້າງໃຫ້ສາມາດປ່ຽນແທນໄດ້ຜ່ານ Gateway ເຊິ່ງຈະຊ່ວຍຫຼຸດຄວາມສ່ຽງຈາກການປ່ຽນແປງຂອງລາຄາ ແລະ ການສິ້ນສຸດການສະໜັບສະໜູນ.
• ວຽກງານກົດໝາຍ ແລະ ການປະຕິບັດຕາມກົດລະບຽບ (Compliance): ຕ້ອງກຳນົດສະຖານທີ່ຈັດເກັບ ແລະ ໄລຍະເວລາໃນການຮັກສາຂໍ້ມູນສຽງໃຫ້ຊັດເຈນ ໂດຍອີງຕາມກົດໝາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນຂອງລາວ ແລະ ກົດລະບຽບທີ່ກ່ຽວຂ້ອງກັບການໂອນຂໍ້ມູນຂ້າມຊາຍແດນ.

ເມື່ອມາຮອດຂັ້ນນີ້, ຕຳແໜ່ງຂອງ AI ສຽງ ຈະປ່ຽນຈາກ "ການທົດລອງ PoC" ໄປສູ່ "ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທາງທຸລະກິດຂອງບໍລິສັດທ້ອງຖິ່ນ". ຫາກອົງກອນມີຄວາມພ້ອມທີ່ຈະຮັບຜິດຊອບໃນການດຳເນີນງານ ກໍຈະກ້າວເຂົ້າສູ່ໄລຍະທີ່ສາມາດເບິ່ງເຫັນຜົນຕອບແທນຈາກການລົງທຶນໃນໄລຍະຍາວໄດ້.

ສະຫຼຸບຈຸດສຳຄັນໃນການນຳໃຊ້ AI ສຽງພາສາລາວ.

• AI ສຽງ ເຮັດວຽກດ້ວຍໂຄງສ້າງ 3 ຊັ້ນ (STT, LLM, TTS) ຫຼື ການລວມເຂົ້າກັນໂດຍໃຊ້ Realtime API, ແລະ ເມື່ອລວມເຂົ້າກັບການເຊື່ອມຕໍ່ລະບົບທຸລະກິດ ແລະ ການມີສ່ວນຮ່ວມຂອງມະນຸດ, ຈຳເປັນຕ້ອງອອກແບບໃຫ້ມີ 5 ຊັ້ນ (Layers).
• ພາສາລາວເປັນພາສາທີ່ມີຊັບພະຍາກອນໜ້ອຍ (Low-resource language), ຖ້າຕັ້ງເປົ້າໝາຍຄວາມຖືກຕ້ອງເທົ່າກັບພາສາອັງກິດ ຈະເຮັດໃຫ້ການປະຕິບັດງານຕົວຈິງລົ້ມເຫຼວ. ດັ່ງນັ້ນ, ຕ້ອງມີການປະເມີນຜົນແບບທົດລອງ ແລະ ການອອກແບບການດຳເນີນງານທີ່ລວມເອົາ HITL (Human-in-the-loop) ເປັນພື້ນຖານ.
• ຈຸດທີ່ຄວນນຳໄປໃຊ້ງານ ໄດ້ແກ່: ການຮັບສາຍເບື້ອງຕົ້ນຂອງສູນບໍລິການລູກຄ້າ (Call Center), ການສັ່ງງານດ້ວຍສຽງສຳລັບພະນັກງານພາກສະໜາມ, ແລະ ລະບົບ IVR ສຳລັບການສັ່ງຊື້-ຂາຍ ເຊິ່ງເປັນວຽກທີ່ UI ແບບຂໍ້ຄວາມເຮັດໄດ້ຍາກ.
• ເຕັກໂນໂລຊີສະແຕັກ (Stack) ຄວນເລືອກຈາກ: ກຸ່ມ Realtime API, ໂຄງສ້າງ 3 ຊັ້ນແບບດັ້ງເດີມ, ຫຼື ການໂຮສລະບົບເອງດ້ວຍ OSS ໂດຍອີງຕາມສະຖານະການຮອງຮັບພາສາລາວ ແລະ ຄວາມຕ້ອງການດ້ານອະທິປະໄຕຂອງຂໍ້ມູນ (Data Sovereignty).
• ການນຳໃຊ້ຕົວຈິງຄວນດຳເນີນການຕາມ 3 ໄລຍະ ຄື: "ການທົດລອງ (Pilot) → ການນຳໃຊ້ຈິງແບບມີ HITL ເປັນໄລຍະ → ການຂະຫຍາຍຜົນ ແລະ ການສົ່ງມອບໃຫ້ທີມງານທ້ອງຖິ່ນ".

ຈາກປະສົບການຂອງພວກເຮົາ, AI ສຽງພາສາລາວຖ້າ "ດຳເນີນການດ້ວຍຄວາມຮູ້ສຶກດຽວກັນກັບພາສາອັງກິດ" ຈະພົບກັບອຸປະສັກຢ່າງແນ່ນອນ, ແຕ່ຖ້າ "ອອກແບບຢ່າງລະມັດລະວັງໂດຍອີງໃສ່ພື້ນຖານພາສາທີ່ມີຊັບພະຍາກອນໜ້ອຍ" ຈະສາມາດສ້າງຜົນສຳເລັດໄດ້ຢ່າງໝັ້ນຄົງ. ສຳລັບບໍລິສັດທີ່ຕ້ອງການໃຫ້ລະບົບນີ້ກາຍເປັນໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ຂອງການເຮັດວຽກໃນທ້ອງຖິ່ນ, ນີ້ແມ່ນຂະແໜງການທີ່ຄຸ້ມຄ່າທີ່ຈະໃຊ້ເວລາໃນການອອກແບບໂຄງສ້າງເບື້ອງຕົ້ນ ແລະ ກົດລະບຽບການດຳເນີນງານ.