เจาะประเด็น
AI / Voice / Startups
Speko เปิดตัวเราต์เตอร์ AI เสียง ฟันธงว่าโมเดลไหนดีที่สุด ไม่ต้องมานั่งเทสต์เองให้เสียเวลา
เบื่อไหมที่ต้องมานั่งเทียบ STT LLM TTS ทุกเดือนเพื่อหาโมเดลที่ดีที่สุด? สตาร์ทอัพรายนี้บอกว่า "เลิกเดาได้แล้ว"
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
ถ้าคุณกำลังรัน voice agent อยู่แล้วล่ะก็ มีโอกาสสูงมากที่คุณกำลังใช้โมเดลที่ "เก่าแล้ว" โดยไม่รู้ตัว — และนี่คือปัญหาที่ Speko อยากจัดการ
เริ่มจากสิ่งที่คนในวงการรู้ดีอยู่แล้ว: voice agent ในโปรดักชั่นจริง ไม่ได้มีแค่โมเดลเดียว แต่ประกอบด้วยสามชั้นเสมอ — Speech-to-Text (STT) สำหรับฟัง, LLM สำหรับคิด, และ Text-to-Speech (TTS) สำหรับพูด และแต่ละชั้นก็มีผู้ให้บริการเป็นสิบราย แล้วทุกเดือนก็มีโมเดลใหม่ออกมาแทบจะตลอดเวลา
ปัญหาคือแทบทุกทีมเลือก stack ตอนเริ่มต้นครั้งเดียว แล้วไม่กลับมาเปลี่ยนอีกเลย เพราะการสลับ vendor แต่ละครั้งมันเหนื่อย ทั้งเรื่อง integration ใหม่ เรื่องการเทียบ benchmark กันเองที่เถียงกันไม่จบ ผลลัพธ์ก็คือคุณรัน voice agent ด้วยโมเดลของเมื่อไตรมาสที่แล้ว ทั้งที่ของที่ดีกว่าและถูกกว่าออกมาให้ใช้แล้ว — นี่คือความจริงที่ Speko (YC S26) กำลังชี้ให้เห็น
เบื้องหลังความเข้าใจปัญหานี้ไม่ธรรมดา เพราะผู้ก่อตั้งอย่าง Bek ใช้เวลาสี่ปีในฐานะ CTO สร้าง voice agent ให้องค์กรทั่วเอเชียใน 10 กว่าภาษา เขาเล่าว่าทุกครั้งที่มี speech model ใหม่ออกมา ทีมต้องจ้าง native speaker มาช่วยเทสต์ เอามาเทียบกับของเดิม ถ้าดีกว่าจริงค่อยอัปเดตโปรดักชั่น — ซึ่งมันเป็นกระบวนการที่ช้าและสิ้นเปลืองสุดๆ
Speko เลยเอาพิธีกรรมทั้งหมดนี้มาแปลงเป็น API ทีมที่รันสายโทรนับพันต่อวันบอกกับเขาว่า "เราแค่เปิด dashboard ไปกดสลับโมเดล มันจัดการให้เอง" — ฟังดูง่าย แต่เบื้องหลังมันคือการ benchmark จริงจัง ไม่ใช่การสุ่มเดา
หลักการคือคุณส่ง request พร้อมเงื่อนไขที่ต้องการ ไม่ว่าจะเป็นเรื่องความแม่นยำ ความหน่วง ค่าใช้จ่าย หรือสมดุลทั้งหมด พร้อมระบุภาษาและภูมิภาค จากนั้น router จะกรองโมเดลที่ผ่านเกณฑ์การวัดของเขาสำหรับชุดข้อจำกัดนั้นๆ มา benchmark กัน คัดผู้ชนะ แล้วคืนค่าพร้อม header ที่บอกชื่อ provider, ชื่อโมเดล และคะแนนทั้งหมด — เรียกว่าจบในครั้งเดียว ไม่ต้องเดา
จุดที่ฉลาดคือเรื่อง failover และความหน่วง เพราะ gateway ของเขามีการ prefetch เซสชันที่เซ็นต์แล้ว ทำให้การเชื่อมต่อครั้งใหม่เรียก provider ได้จากหน่วยความจำโดยตรง ไม่ต้องรอ control-plane รอบเดียวตอนที่คนโทรค้างอยู่ และถ้า provider หลักปฏิเสธการเชื่อมต่อตอนตั้งค่าก็จะสลับไปหาตัวรองทันที
เรื่องที่ทำให้ Speko น่าสนใจไม่ใช่แค่เทคโนโลยี แต่เป็นความจริงใจเรื่อง benchmark เพราะเขาบอกชัดว่า "เราไม่เทรนหรือขายโมเดลเอง" — นี่คือหัวใจของความน่าเชื่อถือ พวกเขาเปิดเผยผลการวัดทั้งหมดต่อสาธารณะ รวมถึงจุดที่โมเดลที่ตัวเองเลือกแพ้ตัวอื่นด้วยซ้ำ และยังเทสต์แบบจริงจัง ไม่ใช่แค่คลิป 30 วินาทีที่ฟังดูเพราะ แต่ทดสอบกับบทสนทนาธรรมชาติ ตัวเลขเงินวันที่ยาวๆ และการพูดสิบนาที ซึ่งผลจัดอันดับเปลี่ยนไปจริง
ที่สำคัญคือเขาเปิดซอร์ส gateway ให้ใช้ฟรีตลอดไป (MIT License) เป็น Go binary ตัวเดียวที่รันเป็น sidecar ในคอนเทนเนอร์ของ agent คุณ พูด protocol ท้องถิ่นผ่าน Unix socket และในโหมด BYOK มันไม่ต้องติดต่อกับ Speko เลยแม้แต่นิดเดียว — เหมาะกับทีมที่ไม่อยากเพิ่ม network hop หรือไม่อยากแชร์คีย์กับคลาวด์ของเขา
ส่วนรายได้เขาคิดค่าบริการเฉพาะ hosted router กับ managed keys แบบรวมบิล ส่วน gateway และ BYOK ฟรีถาวร และตัวเลขการเติบโตก็บอกตัวเอง ตั้งแต่เริ่ม batch ช่วงปลายมิถุนายน การใช้งานจากภายนอกโตเฉลี่ย 25% ต่อสัปดาห์ — นี่คือสัญญาณว่าตลาดกำลังเจ็บปวดกับปัญหานี้จริงๆ
เคสลูกค้าที่น่าสนใจ
มีทีมบริหารอสังหาฯ รัน LiveKit ใน Python โดยไม่เคยอัปเดต STT หรือ TTS ตั้งแต่เปิดตัวเลย พวกเขาไม่รู้ด้วยซ้ำว่า STT มี error สูงแค่ไหนบนสายโทรจริง และคิดว่าการเปลี่ยนโมเดลคือโปรเจกต์ R&D ที่ใหญ่โต — จนมาเจอ Speko
อีกเคสหนึ่ง
ทีมแพทย์ไม่รู้ว่า STT ตัวไหนจัดการศัพท์ทางการแพทย์ได้ดีที่สุด — Speko ช่วยหา stack ที่ใช่จาก benchmark ให้ และตอนนี้พวกเขารันผ่านแพลตฟอร์มทั้งหมด
คำถามที่ Speko ฝากถึงชุมชนคือ "ตอนนี้คุณเลือก speech model ยังไง และอะไรทำให้คุณเชื่อถือ benchmark จากบุคคลที่สาม" — เป็นคำถามที่ตรงไปตรงมา และเป็นสิ่งที่ทีมต้องพิสูจน์ต่อไป เพราะการ benchmark ที่ดีต้องอาศัยความต่อเนื่อง ไม่ใช่ทำครั้งเดียวจบ
ฟังดูเหมือน "OpenRouter สำหรับ voice AI" จริงๆ แต่อย่าลืมว่าเกมนี้อยู่ที่ความน่าเชื่อถือของ benchmark ถ้า Speko ทำการบ้านดีพอ และรักษาความเป็นกลางได้จริง นี่อาจเป็นตัวเปลี่ยนเกมสำหรับทุกทีมที่รัน voice agent โดยไม่ต้องมานั่งเดาเองอีกต่อไป — แต่ถ้าทำไม่ได้ ก็จะกลายเป็นแค่ dashboard อีกตัวที่ไม่มีใครเชื่อ
ที่มา: Hacker News — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...