语音AI尚未迎来”ChatGPT时刻”，专家详解突破路径

语音AI尚未迎来"ChatGPT时刻"，专家详解突破路径

资本热捧语音AI，但真到”突破时刻”了吗？

语音作为下一代交互界面的理论近年来声势渐盛，资本市场亦用真金白银表达信心——数十亿美元资金涌入语音AI创业赛道，从底层模型研发到企业客服解决方案，从会议记录工具到智能语音录入，领域内百花齐放。

几乎每周都有新模型或新工具发布，声称能发出如真人般自然的声音，进行拟人化对话。然而，现实是否真如宣传这般乐观？PolyAI企业级语音AI平台CTO肖恩·温认为，即便全双工模型已经问世——这种模型可以在倾听用户的同时开口回应——但语音AI距离其”ChatGPT时刻”尚有一段距离。

“我们已达成开发全双工模型这一里程碑。下一阶段的核心挑战是让模型的推理速度足够快，使其能快速检索答案，从而营造出流畅自然的对话体验。”肖恩·温在上个月举行的HumanX大会上分享了他的观点。

肖恩·温还指出，应用于客服场景的AI智能体不能给人以机械感，更重要的是要让来电者建立起足够的信任感，确信问题能够被妥善解决。

“我认为接下来的发展阶段会略有不同。一旦语音效果足够出色，客户愿意在前两到三轮对话中继续交互，信任感便会逐渐建立。久而久之，用户会产生一种认知：只要智能体能解决问题，我其实不必再转接人工客服。”

会议记录工具Otter的首席营销官阿历克斯·盖对此有进一步阐释。他认为，说话人识别、意图捕捉以及将内容结合组织知识库进行整理，是实现自动化的关键环节。

该公司还在研发会议”数字分身”技术，让AI能够代表真实参会者出现在会议中。阿历克斯·盖强调，这项技术对输出语音的要求极高——必须传达出与真人会议交流时相同的感情色彩和表达力。

“回想你参与的各类会议，最出色的对话往往建立在辩论与战略探讨的基础上，并且背后有着深厚的人际信任。如果与虚拟形象无法达成这种互动体验，那它不过是一个问答聊天机器人罢了。”阿历克斯·盖提醒道。

尽管语音AI模型不断进步，但AI助手往往难以真正理解用户意图，会议记录工具也时常出现转录错误或摘要偏差。

肖恩·温指出，语音识别（ASR）模型经常会遗漏关键信息词汇，这导致对完整语境的把握出现偏差。

阿历克斯·盖对此表示认同。他补充说，语言理解正是语音模型亟需提升的领域之一。

“对Otter而言，转录从来不是最终目标，它只是我们在此基础上驱动效率提升的基石。但如果初始转录的准确度不达标，所有后续操作都会产生偏差。一旦AI采取的行动出错，用户对平台的信任便会崩塌。因此，持续优化ASR模型对我们至关重要，因为下游影响不可小觑。”

随着语音工具的普及，透明度问题也浮出水面——工具应当明确告知用户正在被录音或正与AI对话。

Otter表示希望为会议参与者建立信任机制，即使AI机器人未直接参与会议，他们仍会尝试通过群聊通知等方式提醒所有人会议正在被记录。PolyAI的肖恩·温同样强调，在企业通话场景中让用户明确意识到自己正在与AI对话，这一点非常重要。

关注微信号：智享开源 ，及时了解更新信息。

0 0