关于语音将成为下一个重要交互界面的理论势头正劲，投资者已向语音AI初创公司投入数十亿美元，涵盖从模型制造商到企业客服供应商，再到会议记录工具和AI听写应用等多个领域。
每周都有新的模型或工具发布，宣称听起来像真人、对话也像真人。然而在现实中，情况可能并非如此。企业级语音AI平台PolyAI的CTO Shawn Wen认为，尽管全双工模型——即可以边听你说话边开口回应的模型——已经问世，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速度非常快，使模型能够快速获取答案，让对话感觉自然，“他上个月在HumanX大会的舞台上告诉我。
他还表示，客服领域的AI语音代理不应该听起来像机器人，而应该让来电者有足够的信心相信它们能够解决问题。
“我认为下一个阶段会略有不同，因为一旦语音足够好，比如客户愿意在前两三个回合与它交流，他们就开始建立信心，随着时间推移，他们会觉得’如果语音代理能解决我的问题，我可能就不需要跟真人交谈了’，“他说。
会议记录工具Otter的CMO Alex Gay则认为，说话人识别、意图捕捉，以及将其与组织知识相结合，是实现自动化的关键一步。该公司还在开发可能在会议中代表真人的数字孪生（digital twins）。对于这项技术，他表示输出语音必须能够提供与会议中真人交谈时相同的情感表达。
“想想你现在参加的会议，最好的对话是你能够进行辩论、进行战略讨论，并且感觉有一段关系在支撑着这一切。如果你无法与一个虚拟形象做到这些，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模型已有所改进，AI助手常常无法理解用户，或者你的会议记录工具显示出错误的转录内容或摘要。
Wen认为，ASR（自动语音识别）模型经常漏掉重要的关键词，这在捕捉完整上下文时造成了问题。
Otter的Gay对此表示赞同，并补充说公司一直在努力改进转录质量。他还表示，语言是语音模型需要改进的一个领域。
“对Otter来说，转录从来都不是终点。它只是我们能够在此基础上推动生产力提升的一个层次。但如果最初的转录没有达到你所需要的准确度，你所有的后续操作都会有缺陷。一旦系统开始执行错误的操作，你就会失去对平台的信任。对我们来说，持续改进ASR模型至关重要，因为所有下游影响都非常重大，“他说。
随着新的语音工具出现，透明度也成为一个问题。工具应该告知客户他们正在被录音或正在与AI交谈。Otter表示，公司希望让参加会议的人建立信任，因此即使机器人并不参加会议，它也想尝试一些方法，比如在聊天中通知所有与会者会议正在被录音。PolyAI的Wen还表示，在企业通话中明确告知对方正在与AI交谈也非常重要。
- [Dominic-Madori Davis]