Идея о том, что голос станет следующим крупным интерфейсом, набирает обороты. Инвесторы вложили миллиарды долларов в стартапы в сфере voice AI — от разработчиков моделей до сервисов для клиентской поддержки, а также в инструменты для расшифровки встреч и голосового ввода.
При этом, по словам CTO PolyAI Шона Вена, у голосового ИИ пока нет своего «момента ChatGPT», даже несмотря на появление full-duplex-моделей, которые умеют говорить и слушать одновременно.
«Мы достигли рубежа в разработке full-duplex-моделей. Следующий вызов — сделать рассуждение очень быстрым, чтобы модели быстро находили ответы и разговор ощущался естественным», — сказал он на сцене конференции HumanX в прошлом месяце.
Вен также отметил, что голосовые ИИ-агенты в клиентской поддержке не должны звучать роботизированно. По его словам, они должны вызывать у звонящих уверенность в том, что могут решить проблему.
«Следующий этап будет немного другим, потому что, как только голос становится достаточно хорошим и клиент готов общаться с ним первые два или три ответа, он начинает доверять системе. Со временем человек может решить, что ему, вероятно, не нужно разговаривать с человеком, если агент способен решить его проблему», — сказал он.
CMO Otter Алекс Гей заявил, что распознавание говорящего, определение намерения и связка этих данных с информацией компании — важный шаг для автоматизации. Компания также работает над цифровыми двойниками, которые могут представлять людей на встречах.
По его словам, для такой технологии крайне важно, чтобы голос в ответе передавал те же эмоциональные оттенки, что и живой участник совещания.
«Если подумать о встречах, на которых вы сейчас присутствуете, лучшие разговоры — это те, где есть дискуссия и стратегическое обсуждение, а также ощущение отношений, которые это поддерживают. Если этого нельзя добиться с аватаром, то это просто чат-бот для вопросов и ответов», — отметил Гей.
Несмотря на улучшение голосовых моделей, ИИ-ассистенты часто не понимают пользователя, а сервисы для заметок со встреч могут выдавать неверную расшифровку или краткое содержание.
Вен считает, что модели ASR (Automatic Speech Recognition, автоматическое распознавание речи) часто пропускают важные ключевые слова, из-за чего теряется весь контекст.
Гей согласился с этим и добавил, что компания продолжает улучшать расшифровку. Он также сказал, что язык остаётся одной из сфер, где голосовым моделям нужно развиваться дальше.
«Для Otter расшифровка никогда не была конечной целью. Это был лишь слой, на базе которого мы могли начать получать прирост продуктивности. Но если исходная расшифровка была недостаточно точной, все последующие действия тоже становятся ошибочными. Как только система начинает выполнять неверное действие, доверие к платформе падает. Для нас критично продолжать улучшать ASR-модель, потому что все последующие эффекты очень значимы», — сказал он.
Отдельный вопрос, который поднимают новые голосовые инструменты, связан с прозрачностью. Сервисы должны сообщать клиентам, что разговор записывается или что они общаются с ИИ.
Otter заявила, что хочет вызывать доверие у участников встреч. Поэтому даже если бот не присутствует на встрече, компания рассматривает варианты вроде уведомления всех участников в чате о том, что встреча записывается. Шон Вен также сказал, что в корпоративных звонках важно прямо сообщать людям, что они разговаривают с ИИ.
Источник: HumanX, заявления представителей PolyAI и Otter.