Голосовой ИИ всё ещё ожидает своего определяющего «момента ChatGPT», говорят лидеры отрасли

Image: TechCrunch · Source

Эксперты из PolyAI и Otter отмечают, что, несмотря на развитие технологии голосового ИИ, она испытывает трудности с пониманием контекста, скоростью рассуждений и естественным взаимодействием, что задерживает её прорыв, аналогичный влиянию ChatGPT.

Голосовой ИИ долгое время обещали как следующий трансформирующий интерфейс, привлекая миллиарды инвестиций — от разработчиков моделей до корпоративных приложений, таких как обслуживание клиентов и транскрипция встреч. Однако, согласно недавним взглядам руководителей отрасли, голосовой ИИ пока не достиг своего ключевого прорыва, подобного тому, который ChatGPT совершил для текстового ИИ.

Шон Вэн, технический директор PolyAI, на конференции HumanX обсудил текущее состояние и вызовы голосового ИИ. Модели с полно-дуплексной связью — способные слушать и говорить одновременно — являются значительным достижением, но Вэн подчеркнул, что следующая задача — ускорить процессы рассуждения. Более быстрые ответы необходимы, чтобы диалоги были плавными и естественными, что критично для формирования доверия пользователей, особенно в сервисе поддержки клиентов. Вэн пояснил, что как только голосовые агенты достигнут уровня качества, когда пользователи охотно будут вести диалог в несколько этапов, это сможет вызвать уверенность в способности ИИ решать проблемы без участия человека.

Точно так же Алекс Гей, коммерческий директор Otter, специализирующейся на AI-записи протоколов встреч, подчеркнул, что точное распознавание говорящего, идентификация намерений и контекстуальная транскрипция являются основой для значимой автоматизации. Otter разрабатывает технологию цифровых двойников для моделирования участников встреч, стремясь, чтобы эти аватары выражали человеческие эмоции. Гей предупредил, что без этих эмоциональных нюансов разговорный ИИ может превратиться в простых чат-ботов вопрос-ответ, лишённых тонкости, которая характеризует продуктивные стратегические обсуждения.

Несмотря на улучшения, оба — Вэн и Гей — признали постоянные ограничения голосового ИИ в понимании. Системы автоматического распознавания речи (ASR) часто пропускают ключевые слова, важные для понимания контекста, что подрывает точность и надежность транскриптов и резюме встреч. Гей отметил, что точность транскрипции — не цель сама по себе, а предпосылка для дальнейшего роста продуктивности. Ошибки в транскрипции могут привести к неверным последующим действиям и снизить доверие пользователей к платформам.

Прозрачность также остаётся важной проблемой. И PolyAI, и Otter выступают за ясное информирование пользователей о взаимодействии с ИИ или записи, что укрепляет доверие и этическое использование. Например, Otter использует уведомления в чатах встреч, информируя участников о записях, даже если боты ИИ не участвуют активно.

В итоге, хотя технология голосового ИИ продолжает развиваться с перспективными моделями и применениями, её путь к прорыву, сравнимому с ChatGPT, ещё не завершён. Необходимо решить задачи по пониманию контекста, скорости отклика, эмоциональной естественности и прозрачности, чтобы полностью раскрыть потенциал голосового ИИ в корпоративной среде и за её пределами.