高管们认为语音 AI 还没迎来它的 ChatGPT 时刻

“语音将成为下一个重大交互界面”的理论获得了强劲的发展势头，投资者正向语音 AI 初创公司投入数十亿美元，涵盖从模型开发商到企业客服供应商、从会议记录工具到 AI 驱动的听写应用等各个领域。

每周都有新模型或新工具发布，声称声音像真人、对话也像真人。然而现实中可能并非如此。企业级语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型——可以在聆听你说话的同时开口发言——已经发布，但语音 AI 还没有迎来它的“ChatGPT 时刻”。

“我们已经达到了开发全双工模型的里程碑。下一个挑战是让推理速度非常快，这样模型才能快速获取答案，对话感觉才自然，”上个月他在 HumanX 大会的舞台上告诉我。

他还表示，客服领域的 AI 智能体不应该听起来机械呆板，而应该给来电者足够的信心，让他们相信智能体能解决问题。

“我认为下一阶段会略有不同，因为一旦语音足够好，而且客户愿意在最初两三轮对话中与其交流，他们就会开始建立信心，假以时日，他们会觉得如果智能体能解决我的问题，我大概就不必跟真人交谈了，”他说。

会议记录工具 Otter 的 CMO Alex Gay 认为，说话人识别、意图捕捉，以及结合组织知识进行整理，是实现自动化的关键一步。该公司还在开发可能在会议中代表真人的数字孪生。对于这项技术，他表示，至关重要的是输出的语音能够展现出与会议中真人交谈相同的情感表达。

“想想你现在参加的会议，最好的对话是你能进行辩论、战略讨论的场合，而且你会觉得其中有一种关系在支撑。如果你无法通过一个虚拟形象做到这一点，那它就只是一个问答聊天机器人，”Gay 指出。

语音 AI 的理解力与透明度

尽管语音 AI 模型已有所改进，但 AI 助手常常无法理解用户，或者你的会议记录工具会显示错误的转录文本或摘要。

Wen 认为，ASR（自动语音识别）模型经常会漏掉重要的关键词，这在捕捉完整语境时会造成问题。

Otter 的 Gay 对此表示赞同，并补充说公司一直在努力改进转录。他还表示，语言是语音模型需要改进的一个领域。

“对 Otter 来说，你知道，转录从来都不是终点。它只是我们能够以此为基础推动生产力提升的一个层面。但如果你的原始转录没有达到所需的准确度，那么你后续的所有操作都会有缺陷。一旦它开始执行错误的操作，你就会失去对这个平台的信任。对我们来说，持续改进 ASR 模型至关重要，因为所有下游影响都非常重大，”他说。

有了新的语音工具，透明度也随之成为一个问题。工具应当告知客户他们正在被录音，或正在与 AI 对话。Otter 表示，它希望在参会者中建立信任，因此即使在机器人不在场的会议中，它也想尝试一些方法，比如在聊天中通知所有人会议正在被录音。PolyAI 的 Wen 也表示，在企业通话中明确告知对方正在与 AI 对话非常重要。

当您通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。

Ivan 在 TechCrunch 报道全球消费科技动态。他常驻印度，曾供职于 Huffington Post 和 The Next Web 等媒体。

您可以通过电子邮件 [email protected] 联系 Ivan 或核实其联络真实性，也可以通过 Signal 上的加密消息 ivan.42 与他联系。

查看个人简介