语音作为下一个主要接口的理论正在迅速发展，投资者向语音人工智能初创公司投入数十亿美元，这些公司在模型制造、企业客服、会议记录和AI驱动的听写等领域进行工作。每周都有新的模型或工具发布，声称能够像人类一样交流。然而，现实情况可能并非如此。企业语音人工智能平台PolyAI的首席技术官Shawn Wen认为，尽管已推出全双工模型——即在听你说话同时可以发言——但语音人工智能尚未达到其“ChatGPT时刻”。他在上个月的人类X（HumanX）大会上告诉我：“我们已经达到了开发全双工模型的里程碑。下一个挑战是使推理变得非常快速，以便模型能够快速获取答案，谈话感觉自然。”他还表示，客户服务中的AI代理不应听起来像机器人，并应给来电者足够的信心，以便他们能够解决问题。“我认为下一阶段会有所不同，因为一旦语音足够好，客户愿意在前两三轮交互中与他们沟通，他们开始建立信心，随着时间的推移，他们会觉得如果代理能够解决我的问题，我可能不需要与人类交谈。”会议记录工具Otter的首席市场官Alex Gay认为，扬声器识别、意图捕捉以及使用组织知识进行打字是实现自动化的关键步骤。该公司还在研发可能在会议中代表人的数字双胞胎。他表示，针对这一技术，输出语音给出与人类在会议中交谈时相同的情感表达是至关重要的。“如果你考虑一下你现在参加的会议，你所进行的最佳对话是进行辩论和战略讨论，并且当你感到有一种关系在支撑对话时。如果你无法与一个虚拟形象进行这种交谈，那它就只是一个问答聊天机器人。”语音人工智能的理解与透明度虽然语音人工智能模型已经有所改善，但AI助手常常无法理解用户，或者你的会议记录工具显示错误的转录或摘要。Wen认为ASR（自动语音识别）模型常常错过重要的关键词，从而造成捕捉整个上下文的问题。Otter的Gay对此表示赞同，并补充说，公司仍在不断改善转录。他还表示，语言是语音模型需要改进的一个领域。“对于Otter而言，转录从来就不是终点。它只是一个可以在其基础上推动一些生产力提升的层面。但是如果你的原始转录没有达到所需的准确度，你的一切后续行动就会出现缺陷。一旦开始采取错误的行动，你就会失去对平台的信任。继续改进ASR模型对我们至关重要，因为所有下游影响都是显著的。”随着新语音工具的推出，透明性的问题也随之而来。工具应该向客户声明他们正在被录音或与AI进行对话。Otter表示，想要在参加会议的人中建立信任，因此即使在机器人不在场的会议中，也希望尝试像通知聊天中所有人会议正在被录音的方法。PolyAI的Wen也表示，在企业通话中，确立人们正在与AI交谈是很重要的。当您通过我们文章中的链接购买商品时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。Ivan在TechCrunch报道全球消费科技的发展。他在印度工作，曾在《赫芬顿邮报》和《下一步网络》等出版物工作。你可以通过发送电子邮件至 [email protected] 或通过Signal上的加密消息 ivan.42 与Ivan联系或验证联系情况。查看简历