这些高管认为AI的声音还没有达到 ChatGPT 时刻.

简介:PolyAI和Otter概述了语音 AI从全双重模式到转录差距的进展,而投资者为 startups 建立对话接口提供资金.

标签:语音 AI, PolyAI, 水, 人类X, customer service

主要图像:抽象的波形和 neural network 面板,没有真实的人,没有公司标志,没有文字.

数十亿美元正在流入语音AI startups ,因为投资者认为口头交互将成为下一个主要的接口.该类别包括模型制造商,企业 customer service 提供商,会议记事员和人工智能驱动的宣读产品.每周都会出现声称类似人类声音和对话的新型号和工具,但PolyAICTO Shawn Wen上个月在HumanX表示,语音 AI尚未拥有其 ChatGPT 时刻.Otter CMO Alex Gay强调了一个相关挑战:如果没有准确的背景,信任和披露,自然输出就不够了.

从资金到双重工作的里程碑

资金涵盖了广泛的产品,从产生语音的模型到企业服务和会议工具.一个可用的助手需要不仅是一个令人信服的声音.它需要 speech recognition ,快速推理,组织上下文以及根据所听到的采取行动的方式.温说已经达到了开发全双重模式的里程碑;这些模型可以在倾听用户时发言.他说,接下来的挑战是使推理非常快,以便模型能够迅速获取答案并让对话感觉自然.

对于企业 customer service 来说,时间很重要,因为呼叫者需要相信代理人可以解决问题.Wen表示 AI代理人不应该听起来像机器人.他描述了一个序列:一旦声音足够好,客户可能会在前两到三次转动中参与进去,建立信心,后来觉得如果代理人能解决问题,他们就不需要和人类交谈了.

转录和上下文是瓶

盖伊将自动化围绕三个步骤:发言者识别,意图捕捉和输入与组织知识.奥特尔还在研究可能代表会议中的数字双胞胎.为了这种用途,他说输出语音必须提供与会面中与人类交谈相同的情感表达式.如果没有支持辩论,战略讨论和关系的能力,则avatar就变成了问答 chatbot .

输入方面同样脆弱.Wen说ASR或 Automatic Speech Recognition,模型经常错过重要的关键字,这可以阻止系统捕捉整个上下文.Gay同意了这一点,并补充道奥特尔继续努力改进转录,语言是语音模型仍然需要改善的一个领域.对于奥特勒来说,转录不是终点;它是支持生产力增长的层面.如果原始转录缺乏所需的准确性,后续操作可能会出现缺陷,用户对平台失去信任.

披露成为信任的一部分

新的语音工具还创造了一个基本的透明度问题:人们是否知道他们正在被录制或与客户交谈? 工具应该声明客户正在被记录或和客户说话. 奥特尔希望在会议中灌输人之间的信任,因此即使机器人不在场时,它也需要方法,比如通知聊天中的每个人会面正在进行录制.温表示重要的是要确定人们是在企业电话中与一个AI对话.

当前阶段从数十亿美元流入语音AI到全双体模型作为一个可见的里程碑,然后在幕后进行更艰苦的工作:推理速度更快,ASR更好和披露更加清晰.接下来要关注的是这些部分是否可以组合成对话自然足以让客户接受无人参与.