PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻

语音将成为下一个重大交互界面的理论获得了强劲的发展势头，投资者正将数十亿美元投入语音 AI 初创公司，业务涵盖从模型制造商到企业客户服务提供商，以及从会议记录工具到 AI 驱动的听写应用。

每周都有新的模型或工具发布，号称听起来像人类一样自然对话。然而，实际情况可能并非如此。企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型（能够在倾听的同时说话）已经发布，但语音 AI 尚未迎来自己的"ChatGPT 时刻"。

"我们已经达到了开发全双工模型的里程碑。下一个挑战是让推理速度变得非常快，这样模型就能快速获取答案，对话也会感觉自然，"他在上个月的 HumanX 大会上舞台上告诉我。

他还表示，客户服务中的 AI 智能体不应听起来像机器人，应该让来电者对其解决问题的能力有足够的信心。

"我认为下一阶段会略有不同，因为一旦语音质量足够好，客户愿意与它们进行最初的两到三轮交互，他们就开始建立信心，随着时间的推移，他们会感觉如果智能体能解决我的问题，我可能就不必和真人交谈了，"他说道。

会议记录工具 Otter 的 CMO Alex Gay 认为，说话人识别、意图捕获以及将其与组织知识相结合整理出来，是实现自动化的关键一步。该公司还在研究可能在会议中代表人们的数字分身。对于这项技术，他表示最重要的是输出语音能像与真人开会一样传达出同样的情感表达。

"如果你想想你现在参加的会议，你所进行的最棒的对话，就是那些可以进行辩论和战略讨论的对话，以及当你感觉有一种关系作为其支撑的时候。如果你无法与一个虚拟形象进行这样的交流，那它就只是一个问答聊天机器人，"Gay 指出。

语音 AI 的理解力与透明度

尽管语音 AI 模型已经有所改进，但 AI 助手常常无法理解用户，或者你的会议记录工具会显示错误的转录文本或摘要。

Wen 认为，ASR（自动语音识别）模型常常会漏掉重要的关键词，这就会在捕捉整体语境时产生问题。

Otter 的 Gay 对此表示赞同，并补充说该公司一直在不断改进转录功能。他还表示，语言是语音模型需要改进的一个领域。

"对于 Otter 来说，转录从来都不是终点。它只是我们可以基于其上开始推动一些生产力提升的层面。但是如果你最初的转录没有达到所需的准确性，那么你所进行的所有后续行动都会出现缺陷。一旦它开始采取错误的行动，你就会对这个平台失去信任。对我们来说，继续改进 ASR 模型非常关键，因为所有下游的影响都是重大的，"他说道。

有了新的语音工具，透明度也是一个不容回避的问题。工具应该向客户声明他们正在被录音，或是正在和人工智能对话。Otter 表示，希望让会议室里的人建立信任，所以即便机器人不在场的会议，它也想尝试通过在聊天中通知所有人会议正在录音等方法。PolyAI 的 Wen 也表示，在企业通话中让对方清楚自己在与人工智能对话，这一点很重要。

当您通过我们文章中的链接进行购买时，我们可能会获得一小笔佣金。这不会影响我们的编辑独立性。

Ivan 在 TechCrunch 负责报道全球消费科技领域的动态。他常驻印度，此前曾在《赫芬顿邮报》和 The Next Web 等媒体任职。

您可以通过发送电子邮件至 [email protected]，或在 Signal 上向 ivan.42 发送加密消息，来联系或核实来自 Ivan 的联络信息。

查看个人简介