Почему голосовой ИИ ещё не достиг момента ChatGPT

0
77

Инвесторы вкладывают миллиарды долларов в стартапы голосового ИИ — от производителей моделей до поставщиков корпоративных услуг для клиентов, от встреч с нотами до диктовки на основе ИИ. Так теория о том, что голос станет следующим большим интерфейсом, получила сильный импульс.

Каждую неделю выпускается новая модель или инструмент, который утверждает, что он звучит как человек и разговаривает как человек. Однако, на самом деле, это может быть не так. Технический директор корпоративной платформы голосового ИИ PolyAI Шон Вэнь считает, что, несмотря на выпуск полнодуплексных моделей, которые могут говорить, слушая вас, у голосового ИИ еще нет своего «момента ChatGPT».

«Мы достигли рубежа в разработке полнодуплексных моделей. Следующая задача состоит в том, чтобы сделать рассуждения очень быстрыми, чтобы модели могли быстро получать ответы, и разговор кажется естественным, — сказал он мне на сцене на конференции HumanX в прошлом месяце.

Он также сказал, что агенты ИИ в обслуживании клиентов не должны звучать роботизированно и должны давать абонентам достаточную уверенность в том, что они могут решать проблемы.

«Я думаю, что следующий этап будет немного другим, потому что, как только голос будет достаточно хорош, и клиент будет готов взаимодействовать с ними в течение первых двух или трех поворотов, они начнут укреплять доверие, и со временем они почувствуют, что мне, вероятно, не придется разговаривать с человеком, если агент сможет решить мою проблему», — сказал он.

Алекс Гей (Alex Gay), директор по информационным технологиям компании Otter, считает, что идентификация спикера, захват умысла и набор организационных знаний является ключевым шагом для обеспечения автоматизации. Компания также работает над цифровыми близнецами, которые могут представлять людей на собраниях. Для этой технологии важно, чтобы выходной голос давал те же эмоциональные выражения, что и разговор с человеком на встрече.

«Если вы думаете о встречах, на которых вы сейчас находитесь, лучшие разговоры, которые у вас есть, — это то, где вы можете вести дебаты и стратегические дискуссии, и когда вы чувствуете, что есть отношения, которые лежат в основе этого. Если вы не можете иметь это с аватаром, то это просто q и чат-бот.

Почему голосовой ИИ не всегда понимает?

Руководители считают, что голосовой ИИ ещё не пережил свой момент ChatGPT - изображение номер один
Руководители считают, что голосовой ИИ ещё не пережил свой момент ChatGPT — изображение номер один — фото из freepik.com

В то время как голосовые модели ИИ улучшились, помощники ИИ часто не понимают пользователей, или ваш собеседник показывает неправильную расшифровку или резюме.

Вэнь считает, что модели автоматического распознавания речи часто пропускают важные ключевые слова, и это создает проблему в захвате всего контекста.

Компания Otter’s Gay согласилась с этим, добавив, что компания продолжает работать над улучшением транскрипции. Он также сказал, что язык является одной из областей, где голосовые модели нуждаются в улучшении.

«Для Оттера, вы знаете, транскрипция никогда не была конечной точкой. Это был просто слой, на котором мы могли бы начать стимулировать рост производительности на задней панели. Но если ваша первоначальная транскрипция не обладала необходимой вам точностью, то все последующие действия стали ошибочными. И в тот момент, когда начинают действовать, это неправильно. Вы теряете доверие к платформе. Для нас крайне важно продолжать совершенствовать эту модель АСР, потому что все последствия для нисходящего потока являются значительными.

Как обеспечить прозрачность голосового ИИ?

С новыми голосовыми инструментами также возникает вопрос прозрачности. Инструменты должны сообщать клиентам, что они записываются или разговаривают с ИИ. Оттер сказал, что он хочет вселить доверие в людей, которые находятся на встрече, поэтому даже для встречи, где бота нет, он хочет попробовать такие методы, как уведомление всех в чате о том, что встреча записывается. Вэнь из PolyAI также сказал, что важно установить, что люди разговаривают с ИИ в корпоративных звонках.

Вопросы и ответы

Что мешает голосовому ИИ достичь «момента ChatGPT»?

Шон Вэнь из PolyAI считает, что главная проблема — скорость рассуждений. Хотя полнодуплексные модели уже говорят, слушая собеседника, им нужно быстрее выдавать ответы, чтобы разговор казался естественным.

Почему голосовые ассистенты иногда неправильно понимают пользователей?

Модели автоматического распознавания речи часто пропускают ключевые слова, что мешает уловить весь контекст. Алекс Гей из Otter добавляет, что неточная транскрипция делает ошибочными все последующие действия и подрывает доверие к платформе.

Как компании обеспечивают прозрачность при использовании голосового ИИ?

Otter, например, уведомляет участников встречи в чате о том, что идёт запись, даже если бота нет. Шон Вэнь из PolyAI подчёркивает: в корпоративных звонках важно сразу дать понять, что человек разговаривает с ИИ.