PolyAI 与 Otter 高管：语音 AI 尚未迎来自己的 ChatGPT 时刻
These execs think voice AI hasn’t reached its ChatGPT moment yet
AI 导读
PolyAI CTO Shawn Wen 与 Otter CMO Alex Gay 认为，语音 AI 虽已实现全双工模型，但仍未迎来"ChatGPT 时刻"，下一步挑战是让推理足够快、对话自然。
摘要与补充说明
Wen 指出 ASR 模型常漏掉关键词、影响上下文理解，Gay 则强调转写准确率是所有下游功能的基础。Otter 还在研发可在会议中代表用户的数字孪生，并要求输出语音具备与真人交谈时的情感表达。
正文· AI 翻译
语音将成为下一个重大交互界面的理论势头强劲，投资者正向语音 AI 初创公司投入数十亿美元，这些公司涉足的领域从模型制造商到企业客户服务提供商，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，声称听起来像人、对话也像人。然而，现实情况可能并非如此。企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管已经发布了全双工模型——这类模型可以在听你说话的同时开口讲话——语音 AI 还没有迎来它的“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变得非常快，这样模型就能快速获取答案，对话也会显得自然。”上个月，他在 HumanX 大会的舞台上对我说。
他还表示，客户服务中的 AI 代理不应听起来像机器人，并且应当给来电者足够的信心，让他们相信自己能解决问题。
“我认为下一阶段会略有不同，因为一旦语音足够好，而且客户愿意在前两三轮与他们互动，他们就开始建立信心，随着时间推移，他们会觉得，如果代理能解决我的问题，我大概就不必和真人交谈了。”他说。
会议记录工具 Otter 的 CMO Alex Gay 认为，说话人识别、意图捕捉，并结合组织知识将其整理成文字，是实现自动化的关键一步。该公司还在研发可能在会议中代表个人的数字孪生。对于这项技术，他表示，至关重要的是输出语音能传达出与在会议中真人交谈相同的情感表达。
“想想你现在参加的会议，最好的对话是那些你能进行辩论、战略讨论，并且感觉有一种关系在支撑的对话。如果你无法与虚拟形象做到这一点，那它就只是一个问答聊天机器人。”Gay 指出。
语音 AI 的理解与透明度
尽管语音 AI 模型有所改进，但 AI 助手常常不理解用户，或者你的会议记录工具会显示错误的转录或摘要。
Wen 认为，ASR（自动语音识别）模型常常漏掉重要关键词，这给捕捉完整上下文带来了问题。
Otter 的 Gay 对此表示赞同，并补充说公司一直在努力改进转录。他还表示，语言是语音模型需要改进的一个领域。
“对 Otter 来说，你知道，转录从来不是终点。它只是我们借以开始推动一些生产力提升的基础层。但如果你最初的转录没有达到你需要的准确度，你所有的后续操作都会变得有缺陷。而一旦开始采取行动，那就是错的。你会对平台失去信任。继续改进 ASR 模型对我们至关重要，因为所有下游影响都很重大。”他说。
有了这些新的语音工具，透明度也成了一个需要考量的问题。工具应当向客户声明他们正在被录音或正在与 AI 对话。Otter 表示，它希望让参加会议的人建立信任，因此即使是在机器人并未参会的会议中，它也想尝试诸如在聊天中通知所有人会议正在被录音之类的做法。PolyAI 的 Wen 也表示，在企业通话中明确告知人们正在与 AI 对话非常重要。
当您通过我们文章中的链接进行购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。
Ivan 在 TechCrunch 报道全球消费科技动态。他常驻印度，此前曾在 Huffington Post 和 The Next Web 等媒体工作。
您可以通过发送邮件至 [email protected] 或通过 Signal 上的加密消息联系 ivan.42，以联系 Ivan 或核实其联系信息。