Shawn Wen، مدیر فنی پلتفرم هوش مصنوعی صوتی سازمانی PolyAI، در کنفرانس HumanX اعلام کرد که با وجود معرفی مدل‌های full-duplex — مدل‌هایی که هم‌زمان می‌توانند صحبت کنند و گوش بدهند — هوش مصنوعی صوتی هنوز «لحظه‌ی ChatGPT» خود را تجربه نکرده است. به گفته‌ی او، چالش بعدی سرعت بخشیدن به استدلال مدل‌هاست تا مکالمه‌ها طبیعی به نظر برسند.

سرمایه‌گذاری سنگین در استارتاپ‌های صوتی ادامه دارد. از سازندگان مدل گرفته تا ارائه‌دهندگان خدمات مشتریان سازمانی، یادداشت‌بردارهای جلسات و ابزارهای دیکته‌ی هوشمند، همگی در این حوزه فعال‌اند. هر هفته یک مدل یا ابزار جدید با ادعای صدای انسانی معرفی می‌شود، اما Wen معتقد است این ادعاها با واقعیت فاصله دارد.

او تأکید کرد که ایجنت‌های هوش مصنوعی در خدمات مشتریان نباید رباتیک به نظر برسند و باید به تماس‌گیرنده‌ها اطمینان بدهند که مشکلشان حل می‌شود. از نظر Wen، وقتی صدا به‌اندازه‌ی کافی خوب باشد و مشتری در دو یا سه نوبت اول حاضر به تعامل شود، به‌تدریج اعتماد می‌کند و احساس می‌کند نیازی به صحبت با انسان ندارد.

Alex Gay، مدیر بازاریابی Otter (ابزار یادداشت‌برداری جلسات)، هم‌چنین گفت که شناسایی گوینده، ثبت نیت و اتصال آن به دانش سازمانی، گام کلیدی برای فعال‌سازی اتوماسیون است. Otter روی ساخت «دوقلوی دیجیتال» برای جلسات کار می‌کند و به گفته‌ی Gay، برای این فناوری حیاتی است که صدای خروجی همان بیان احساسی صحبت با یک انسان را داشته باشد.

مشکل اصلی: دقت ASR و سرعت استدلال#

Wen اشاره کرد که مدل‌های ASR (بازشناسی گفتار) اغلب کلیدواژه‌های مهم را از دست می‌دهند و این باعث می‌شود کل متن مکالمه به‌درستی ثبت نشود. Gay هم تأیید کرد که اگر دقت نسخه‌برداری اولیه کافی نباشد، تمام اقدامات بعدی — خلاصه‌سازی، پیگیری، اتوماسیون — نادرست می‌شوند و اعتماد کاربر به پلتفرم از بین می‌رود.

هر دو مدیر بر مسئله‌ی شفافیت هم تأکید کردند. ابزارها باید به کاربر اعلام کنند که در حال ضبط یا صحبت با هوش مصنوعی است. Otter حتی برای جلساتی که بات حضور ندارد، می‌خواهد از طریق چت به همه اطلاع دهد که جلسه در حال ضبط است.

این خبر برای سازندگان ایجنت صوتی یعنی چه#

اگر در حال ساخت ایجنت صوتی هستید، پیام اصلی این خبر این است که مشکل «صدای طبیعی» تقریباً حل شده و گلوگاه بعدی سرعت استدلال و دقت ASR است. سرمایه‌گذاری روی مدل‌های full-duplex بدون حل مسئله‌ی latency در استدلال، محصولی می‌سازد که «انسان‌وار» صحبت می‌کند اما پاسخ‌هایش کند یا نادرست است. برای خدمات مشتریان سازمانی، این یعنی ریسک از دست رفتن اعتماد کاربر. در مقابل، اگر ایجنت شما هنوز با یک مدل single-turn کار می‌کند، این خبر بهانه‌ی خوبی برای اولویت‌دادن به کیفیت ASR و سرعت پاسخ است، نه صرفاً به‌روزرسانی مدل به full-duplex.

منبع: TechCrunch AI