Теория голоса как следующего большого интерфейса набирает обороты: инвесторы вкладывают миллиарды в стартапы в области голосового ИИ, работающие в самых разных областях: от разработчиков моделей до поставщиков услуг клиентов, от встреч с зарегистрированными лицами до диктовки ИИ.

Каждую неделю появляется новая модель или выпуск устройства, которое утверждает, что имеет тот же человеческий голос и речь. Но на самом деле это может быть не так. Корпоративная платформа голосового искусственного интеллекта PolyAI Шон Вен считает, что, несмотря на выпуск полнодуплексных моделей, которые могут говорить, пока вы слушаете, голосовой искусственный интеллект еще не наступил «момент ChatGPT».

«Мы подошли к стадии разработки полнодуплексных моделей. Следующая задача — очень быстро рассуждать, чтобы модели быстро реагировали и разговор был естественным», — сказал он на сцене конференции HumanX в прошлом месяце.

Он также сказал, что агенты искусственного интеллекта в службе поддержки клиентов не должны вести себя как роботы и давать звонящим достаточную уверенность в том, что они смогут решить проблемы.

«Я думаю, что следующий этап будет немного другим, потому что, когда, например, голос достаточно хорош и клиент готов общаться с ним в первых двух или трех раундах, он завоюет доверие и со временем почувствует, что, если агент может решить мою проблему, мне не нужно разговаривать с человеком», — сказал он.

Алекс Гей, директор по маркетингу компании Meeting Notary Otter, считает, что идентификация говорящего, уловление его намерений и наделение его организационными знаниями — это ключевой шаг на пути к автоматизации. Компания также работает над цифровыми двойниками, которые смогут представлять людей на собраниях. Для этой технологии, по его словам, важно, чтобы выходной голос давал одинаковые эмоциональные выражения при разговоре с человеком на встрече.

«Если вы думаете о сегодняшних встречах, то лучшие разговоры — это те, в которых вы можете вести стратегические дискуссии и дебаты, и когда вы чувствуете, что в их основе лежат отношения. Если вы не можете этого сделать с помощью аватара, тогда это просто aq и чат-бот», — сказал Гей.

Понимание и прозрачность голосового искусственного интеллекта

Хотя модели голосового искусственного интеллекта улучшились, помощники с искусственным интеллектом часто не понимают пользователей, или в вашем блокноте собраний отображается неверная стенограмма или краткое изложение.

Вэнь считает, что модели ASR (автоматического распознавания речи) часто пропускают важные слова, что затрудняет уловление всего контекста.

Гей Оттер согласился, добавив, что компания работает над улучшением транскрипции. Он также сказал, что язык — это область, в которой голосовые модели необходимо улучшать.

«Вы знаете, для Otter транскрипция никогда не была конечной точкой. Это был всего лишь слой, за которым мы могли начать добиваться некоторого повышения производительности. Но если ваша первоначальная транскрипция не имела необходимой точности, все ваши последующие действия будут ошибочными. И в ту минуту, когда это действие начинается, это неправильно. Вы теряете полную уверенность в улучшении этой нашей платформы. Последующий эффект значителен», — сказал он.

С новыми голосовыми инструментами также возникает проблема прозрачности. Инструменты должны сообщать клиентам, что их записывают или они разговаривают с ИИ. Оттер заявил, что хочет завоевать доверие людей на собрании, поэтому даже для собрания, на котором бот отсутствует, он хочет протестировать такие методы, как уведомление всех участников чата о том, что собрание записывается. Вен из PolyAI также отметил, что важно определять, когда люди разговаривают с ИИ во время корпоративных звонков.