这些高管认为语音AI还没到ChatGPT时刻

语音AI成为下一个大界面的说法现在炒得很热，投资者往这个赛道砸了几十亿美元，从模型厂商到企业客服，从会议记录到AI听写，啥方向都有。

每周都有新模型或新工具发布，都声称自己说话像真人、聊天像真人。但现实可能没这么美。企业语音AI平台PolyAI的技术总监Shawn Wen觉得，虽然全双工模型已经出来了（就是那种能边听边说的），但语音AI还没迎来它的“ChatGPT时刻”。

“我们确实搞定了全双工模型，接下来的挑战是让推理变得非常快，这样模型能快速拿到答案，对话才会自然。”他在上个月HumanX大会的台上跟我这么说。

他还说，客服AI不应该听起来像机器人，得让打电话的人有足够信心，觉得这些问题能被解决。

“我觉得下一阶段会有点不一样，因为一旦声音足够好，客户头两三轮愿意聊下去，他们就开始建立信心，慢慢地，他们会觉得，如果AI能解决我的问题，我可能都不用找真人客服了。”他说。

会议记录工具Otter的CMO Alex Gay则觉得，说话人识别、意图捕捉，再把它们跟组织知识整合起来，是实现自动化的关键一步。他们还在搞数字孪生，以后可能代表你去开会。他说，这技术最重要的是，输出的声音得给人同样的情感表达，就像你在会议里跟真人聊那种感觉。

“你想想现在开的会，真正好的对话是那种能辩论、有战略讨论的，而且你觉得背后有关系在撑着。如果跟一个数字人没法做到这样，那就只是一个问答聊天机器人。”Gay说。

语音AI的理解和透明度

虽然语音AI模型进步了，但AI助手经常听不懂用户，或者会议记录给错转写、给个错摘要。

Wen认为ASR（自动语音识别）模型经常漏掉关键词，这样就把整个上下文搞错。

Otter的Gay也同意，说他们一直在改进转写。他还说语言是语音模型需要改进的一个领域。

“对Otter来说，转写从来不是终点，它只是我们能在上面做生产力提升的那一层。但如果原始转写准确性不行，那后面所有跟进的行动都会出问题。”他说，“一旦它开始行动，那就是错的，你会失去对平台的信任。所以持续改进ASR模型对我们特别关键，因为下游影响太大了。”

还有，新的语音工具带来透明度的问题。工具应该告诉用户他们被录音了，或者正在跟AI说话。Otter说他们想给开会的人建立信任，所以就算会议里没有机器人，他们也想试着用像是通知所有人“会议正在录音”这样的方法。PolyAI的Wen也说，企业电话里得让人知道他们正在跟AI说话很重要。

资料来源：原文链接