Каждую неделю появляются новые модели или инструменты, которые обещают звучать и вести диалог как человек. Однако на 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, голосовой ИИ еще не достиг своего «момента ChatGPT».
«Мы достигли этапа разработки полнодуплексных моделей. Следующая задача — сделать процесс принятия решений очень быстрым, чтобы модели могли быстро находить ответы, а разговор ощущался естественным», — сказал он мне на сцене конференции HumanX в прошлом месяце.
Он также отметил, что ИИ-агенты в службе поддержки не должны звучать роботизированно и должны давать звонящим уверенность в том, что они могут решить их проблемы.
«Я думаю, следующий этап будет немного отличаться, потому что, как только голос станет достаточно хорошим, и клиент будет готов взаимодействовать с ним в течение первых двух-трех реплик, он начнет обретать уверенность, и со временем он почувствует, что, вероятно, мне не придется разговаривать с человеком, если агент сможет решить мою проблему», — сказал он.
Алекс Гэй, директор по маркетингу компании Otter, занимающейся созданием заметок для встреч, высказал мнение, что идентификация говорящего, захват намерений и их преобразование в организационные знания являются ключевым шагом для автоматизации. Компания также работает над цифровыми двойниками, которые могут представлять людей на встречах. Для этой технологии, по его словам, крайне важно, чтобы выходной голос передавал те же эмоциональные выражения, что и при разговоре с человеком на встрече.
«Если вы подумаете о встречах, на которых вы присутствуете прямо сейчас, лучшие разговоры — это те, где вы можете вести дебаты и стратегические обсуждения, и когда вы чувствуете, что за этим стоит взаимоотношения. Если вы не можете иметь этого с аватаром, то это просто чат-бот с вопросами и ответами», — отметил Гэй.
Понимание и прозрачность голосового ИИ
Хотя модели голосового ИИ улучшились, ИИ-ассистенты часто не понимают пользователей, или ваш помощник для заметок показывает неверную расшифровку или резюме.
Вэнь считает, что модели ASR (автоматического распознавания речи) часто упускают важные ключевые слова, что создает проблему для захвата всего контекста.
Гэй из Otter согласился с этим, добавив, что компания продолжает работать над улучшением транскрипции. Он также отметил, что язык — это одна из областей, в которой голосовым моделям необходимо совершенствоваться.
«Для Otter, знаете ли, транскрипция никогда не была конечной точкой. Это был просто слой, на основе которого мы могли начать получать некоторую выгоду от повышения производительности. Но если ваша исходная транскрипция не имела необходимой точности, все последующие действия становятся ошибочными. И в тот момент, когда это начинает действовать неправильно, вы теряете доверие к платформе. Для нас крайне важно продолжать совершенствовать эту модель ASR, поскольку все последующие последствия значительны», — сказал он.
С появлением новых голосовых инструментов возникает и вопрос прозрачности. Инструменты должны уведомлять клиентов о том, что их записывают или что они разговаривают с ИИ. Otter заявил, что хочет вселить доверие в людей, присутствующих на встрече, поэтому даже для встреч, где бота нет, компания хочет попробовать такие методы, как уведомление всех в чате о том, что встреча записывается. Вэнь из PolyAI также отметил, что важно установить факт разговора с ИИ в корпоративных звонках.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Ivan Mehta
