Инвесторы активно вкладывают средства в голосовые ИИ-стартапы, охватывающие самые разные направления — от разработки моделей до обслуживания клиентов, от записи совещаний до голосового набора текста. Каждую неделю появляются новые модели и инструменты, которые, как утверждается, звучат по-человечески и ведут беседу не хуже живого собеседника. Однако на практике всё не так однозначно.
Технический директор платформы корпоративного голосового ИИ PolyAI Шон Вэнь считает, что, несмотря на появление full-duplex-моделей (полнодуплексных — способных говорить и одновременно слушать), голосовой ИИ пока не пережил свой «момент ChatGPT». «Мы достигли рубежа в разработке полнодуплексных моделей. Следующая задача — сделать рассуждения очень быстрыми, чтобы модели мгновенно находили ответы и разговор ощущался естественно», — заявил он на конференции HumanX. По его словам, ИИ-агенты в сфере обслуживания не должны звучать роботизированно и обязаны внушать звонящим уверенность в том, что их проблема будет решена.
«Думаю, следующий этап будет немного другим: как только голос станет достаточно хорош и клиент захочет пообщаться с агентом первые два-три хода, он начнёт проникаться доверием. Со временем он почувствует, что, вероятно, ему не нужно говорить с человеком, если агент способен решить его вопрос», — отметил Вэнь.
Директор по маркетингу сервиса записи совещаний Otter Алекс Гэй полагает, что определение говорящего, распознавание намерений и перенос этого в организационные знания — ключевой шаг к автоматизации. Компания также работает над цифровыми двойниками, которые могут представлять людей на встречах. Для такой технологии, по его словам, критически важно, чтобы голос передавал те же эмоциональные оттенки, что и при общении с человеком. «Если подумать о совещаниях, в которых вы участвуете сейчас, лучшие разговоры — те, где возможны дебаты и стратегические обсуждения, где чувствуется лежащая в основе взаимосвязь. Если этого не может дать аватар, то это просто чат-бот с вопросами и ответами», — подчеркнул Гэй.
Хотя голосовые ИИ-модели улучшились, ассистенты часто не понимают пользователей, а сервисы записи встреч показывают неверную расшифровку или резюме. Вэнь из PolyAI считает, что модели автоматического распознавания речи (ASR) нередко пропускают важные ключевые слова, из-за чего страдает захват общего контекста. Гэй из Otter согласен с этим и добавляет, что компания продолжает улучшать транскрипцию, а язык — одна из областей, где голосовым моделям нужно совершенствоваться. «Для Otter транскрипция никогда не была конечной точкой. Это был лишь слой, на основе которого мы могли начать повышать производительность. Но если исходная расшифровка не обладала нужной точностью, все последующие действия оказываются ошибочными. А как только начинаются неверные действия, вы теряете доверие к платформе. Для нас критически важно продолжать улучшать модель ASR, потому что все дальнейшие последствия значительны», — сказал он.
С новыми голосовыми инструментами возникает и вопрос прозрачности. Сервисы должны уведомлять клиентов о том, что их записывают или что они общаются с ИИ. Otter стремится укрепить доверие участников встречи, поэтому даже там, где бот не присутствует, компания хочет опробовать способы вроде уведомления всех в чате о том, что встреча записывается. Вэнь из PolyAI также отметил важность того, чтобы в корпоративных звонках люди понимали, что разговаривают с ИИ.