PolyAI szerint a voice AI még nem érte el a ChatGPT-szerű áttörést

A voice AI platformok, mint a PolyAI, már fejlesztettek full-duplex modelleket, amelyek képesek egyszerre beszélni és figyelni. Shawn Wen, a PolyAI technológiai igazgatója szerint azonban a technológia még nem érte el a ChatGPT-hez hasonló áttörést. A következő nagy kihívás a következtetési sebesség drasztikus növelése, hogy a beszélgetések természetesnek hassanak. (TechCrunch)

Wen szerint az AI-ügynököknek nem szabad robotikusnak hangzaniuk, és bizalmat kell ébreszteniük a hívókban. „Ha a hang már elég jó, és az ügyfél hajlandó két-három kör erejéig kommunikálni, bizalmat építenek. Idővel úgy érezhetik, hogy nem is kell emberrel beszélniük, ha az ügynök meg tudja oldani a problémájukat” — mondta Wen a HumanX konferencián.

Alex Gay, a meeting-jegyzőket készítő Otter marketingigazgatója kiemelte a beszélő azonosítását, a szándék rögzítését és a szervezeti tudással való kiegészítést, mint kulcsfontosságú lépéseket az automatizálásban. Az Otter digitális ikreken is dolgozik, amelyek képviselhetik az embereket a megbeszéléseken, és fontos, hogy ezeknek a hangja érzelmileg is tükrözze az emberi kommunikációt.

Wen szerint az automatikus beszédfelismerő (ASR) modellek gyakran kihagynak fontos kulcsszavakat, ami problémákat okoz a kontextus rögzítésében. Gay is egyetértett ezzel, hozzátéve, hogy a pontatlan transzkripció minden további lépést hibássá tesz, és aláássa a bizalmat a platform iránt. „Kritikus számunkra, hogy folyamatosan fejlesszük az ASR modellt, mert minden utána következő hatás jelentős” — mondta Gay.

A voice AI eszközökkel kapcsolatban felmerül az átláthatóság kérdése is. Az eszközöknek jelezniük kell az ügyfelek felé, ha felvétel készül, vagy ha mesterséges intelligenciával beszélnek. Az Otter célja, hogy bizalmat építsen a felhasználókban, akár a felvételről szóló értesítéssel is.