Руководители PolyAI и Otter считают, что голосовой ИИ пока не стал таким же естественным и надёжным интерфейсом, каким ChatGPT сделал текстовый диалог. Следующий барьер — не только качество голоса, а скорость рассуждения, точность распознавания речи и доверие человека к результату.
Суть события
На конференции HumanX технический директор платформы голосового ИИ PolyAI Шон Вэнь заявил, что отрасль уже освоила полно-дуплексные модели: они могут слушать собеседника и говорить одновременно. Но «момент ChatGPT» ещё не наступил. По его словам, теперь моделям нужно очень быстро находить ответы, чтобы разговор не ощущался как серия пауз.
Для обычного пользователя это означает простую вещь: естественный голос сам по себе не делает помощника полезным. Если система долго думает, не понимает ключевое слово или ошибается в последующем действии, красивый диалог быстро теряет смысл.
Детали
Вэнь отдельно говорил о голосовых агентах для службы поддержки. Такой агент не должен звучать механически и должен дать клиенту достаточно уверенности, чтобы тот продолжил разговор. Если первые несколько реплик проходят удачно и проблема действительно решается, человек может постепенно отказаться от требования сразу переключить его на сотрудника. Это мнение руководителя PolyAI, а не доказанный результат для всех сервисов.
Алекс Гей, директор по маркетингу сервиса Otter для записи встреч, назвал другой набор задач: определить, кто именно говорил, понять намерение и связать расшифровку с рабочими знаниями организации. Otter также работает над цифровыми двойниками участников встреч, но для такого сценария голос должен передавать эмоции обычного разговора. Иначе получится лишь чат-бот с аватаром, а не полноценный участник обсуждения.
- Ошибки распознавания речи могут пропустить важное слово и исказить весь контекст.
- Неверная расшифровка портит краткое содержание встречи и все последующие действия на его основе.
- Компаниям нужно заранее сообщать людям, что разговор записывает или ведёт искусственный интеллект.
Контекст
Главное узкое место здесь — цепочка последствий. Otter рассматривает расшифровку не как конечный продукт, а как основу для роста производительности. Но если исходный текст неточен, ошибочными становятся и краткое содержание, и задачи, и другие действия. В этот момент пользователь теряет доверие уже не к одной функции, а ко всей платформе.
Термин ASR, который используют участники обсуждения, означает автоматическое распознавание речи. На практике это слой, превращающий сказанные слова в текст. Он должен различать важные имена и термины, иначе даже быстрый ответ голосового помощника будет построен на неверной базе.
Для ориентира можно сначала разобраться, что именно умеет текстовый ChatGPT и чем чат-бот отличается от голосового интерфейса: простое объяснение ChatGPT. Это не обещает голосовому ИИ такого же уровня зрелости — как раз обратное следует из выступлений PolyAI и Otter.
Что дальше
Из слов участников не следует, что голосовые агенты уже готовы заменить операторов или что прорыв произойдёт в определённый срок. Понятно другое: разработчикам предстоит одновременно улучшать скорость рассуждения, распознавание речи, язык, передачу эмоций и прозрачность общения.
Пользователям и небольшим компаниям разумно проверять не только то, насколько человеческим кажется голос. Важнее посмотреть, правильно ли сервис фиксирует имена и договорённости, сообщает ли о записи, умеет ли исправлять ошибки и не запускает ли неверные действия после неудачной расшифровки. Именно на этом, а не на эффектной первой реплике, будет строиться доверие к голосовым помощникам.
