Эти руководители считают, что голосовой ИИ ещё не пережил свой момент ChatGPT

Вэн высказал это на сцене конференции HumanX в прошлом месяце. Полно-дуплексные модели уже умеют говорить, пока слушают собеседника, но теперь важно добиться быстрого рассуждения: тогда ответы будут приходить без долгих пауз, а диалог станет звучать естественно.

Голосовые агенты в службе поддержки, добавил Вэнь, не должны звучать как роботы. Клиентам нужно верить, что агент способен решить их проблему. Когда голос достаточно хорош и человек готов обменяться с системой первыми двумя-тремя репликами, доверие может постепенно расти. Тогда клиент, по словам Вэня, может решить, что обращаться к человеку необязательно, если агент справляется с задачей.

Алекс Гей, директор по маркетингу сервиса Otter для записи заметок со встреч, считает важными распознавание говорящих, определение намерений и оформление сказанного с учётом знаний организации. Otter также работает над цифровыми двойниками, которые могли бы представлять людей на встречах. По словам Гея, голос такого двойника должен передавать те же эмоциональные оттенки, что и разговор с человеком.

На встречах особенно важны споры, стратегические обсуждения и отношения между участниками, отметил Гей. Если аватар не способен поддержать такое общение, он превращается в чат-бот для вопросов и ответов.

Понимание речи и прозрачность голосового ИИ

Голосовые модели стали лучше, но ИИ-помощники всё ещё часто неверно понимают пользователей. А сервис для записи встреч может ошибиться в расшифровке или составить неправильное резюме.

Вэнь считает, что модели автоматического распознавания речи (ASR) нередко пропускают важные ключевые слова, из-за чего теряется часть контекста.

Гей согласился и добавил, что Otter продолжает улучшать расшифровку. По его словам, языковые способности голосовых моделей тоже требуют доработки. Расшифровка для Otter изначально была не конечной целью, а основой для инструментов повышения продуктивности. Если исходный текст неточен, последующие действия тоже будут ошибочными. Когда система начинает действовать на основе таких данных, пользователи теряют доверие к платформе. Поэтому Otter важно улучшать распознавание речи: ошибки влияют на все дальнейшие этапы работы.

С появлением новых голосовых инструментов встаёт и вопрос прозрачности: пользователям нужно сообщать, что их записывают или что они разговаривают с ИИ. Otter стремится укреплять доверие участников встреч и рассматривает способы уведомлять всех в чате о записи — даже если бот на самой встрече не присутствует. Вэнь добавил, что в корпоративных звонках важно сразу обозначать, что собеседник говорит с ИИ.