Sztuczna inteligencja głosowa wciąż czeka na swój przełomowy "moment ChatGPT", mówią liderzy branży

Image: TechCrunch · Source

Eksperci z PolyAI i Otter podkreślają, że choć technologia głosowej sztucznej inteligencji się rozwija, boryka się z problemami takimi jak zrozumienie kontekstu, szybkość rozumowania i naturalna interakcja, co opóźnia jej przełom porównywalny z wpływem ChatGPT.

Sztuczna inteligencja głosowa od dawna jest zapowiadana jako kolejny przełomowy interfejs, przyciągając miliardy inwestycji od twórców modeli po zastosowania korporacyjne, takie jak obsługa klienta czy transkrypcja spotkań. Jednak według niedawnych opinii ekspertów branżowych, sztuczna inteligencja głosowa wciąż nie osiągnęła przełomu porównywalnego z tym, co ChatGPT wprowadził w dziedzinie AI opartej na tekście.

Shawn Wen, CTO PolyAI, podczas konferencji HumanX omówił aktualny stan i wyzwania sztucznej inteligencji głosowej. Modele full-duplex – zdolne do jednoczesnego słuchania i mówienia – stanowią znaczący krok naprzód, jednak Wen podkreślił, że kolejną przeszkodą jest przyspieszenie procesów rozumowania. Szybsze odpowiedzi są niezbędne, aby rozmowy wydawały się płynne i naturalne, co jest kluczowe do budowania zaufania użytkowników, szczególnie w obsłudze klienta. Wen wyjaśnił, że gdy agenci głosowi osiągną poziom jakości, dzięki któremu użytkownicy chętnie będą prowadzić wieloetapowe interakcje, może to budować przekonanie, że AI poradzi sobie z problemami bez udziału człowieka.

Podobnie Alex Gay, CMO Otter, specjalizującego się w automatycznym notowaniu spotkań, podkreślił, że dokładne rozpoznawanie mówcy, identyfikacja intencji i kontekstowa transkrypcja są fundamentem dla sensownej automatyzacji. Otter rozwija technologię cyfrowych bliźniaków, które symulują uczestników spotkań, dążąc do tego, by awatary wyrażały ludzkie emocje. Gay ostrzegł, że bez tych emocjonalnych niuansów sztuczna inteligencja konwersacyjna może sprowadzić się jedynie do chatbotów Q&A, pozbawionych subtelności definiujących produktywne, strategiczne dyskusje.

Mimo postępów, zarówno Wen jak i Gay przyznali, że sztuczna inteligencja głosowa ma nadal ograniczenia w rozumieniu. Systemy automatycznego rozpoznawania mowy (ASR) często pomijają słowa-klucze niezbędne do uchwycenia kontekstu, co osłabia dokładność i wiarygodność transkrypcji oraz streszczeń spotkań. Gay zauważył, że dokładność transkrypcji nie jest celem samym w sobie, lecz warunkiem koniecznym dalszego wzrostu efektywności. Błędy w transkrypcji mogą prowadzić do błędnych działań następczych, osłabiając zaufanie użytkowników do platform.

Przejrzystość pozostaje również istotnym wyzwaniem. Zarówno PolyAI, jak i Otter opowiadają się za jasnym informowaniem użytkowników o interakcji ze sztuczną inteligencją lub o nagrywaniu, co wzmacnia zaufanie i etyczne użytkowanie. Otter na przykład stosuje powiadomienia w czatach spotkań, informując uczestników o nagraniach, nawet jeśli boty AI nie aktywnie uczestniczą.

Podsumowując, chociaż technologia głosowej sztucznej inteligencji nadal się rozwija, wprowadzając obiecujące modele i zastosowania, jej droga do przełomowego momentu porównywalnego z ChatGPT jeszcze się nie zakończyła. Należy rozwiązać problemy związane ze zrozumieniem kontekstu, szybkością odpowiedzi, naturalnością emocjonalną i przejrzystością, aby w pełni wykorzystać potencjał AI głosowej w środowiskach korporacyjnych i nie tylko.