نظریه‌ای مبنی بر اینکه صدا، رابط کاربری بزرگ بعدی خواهد بود، قوت زیادی گرفته است، به طوری که سرمایه‌گذاران میلیاردها دلار به استارتاپ‌های هوش مصنوعی گفتاری که روی زمینه‌های مختلفی از جمله سازندگان مدل تا ارائه‌دهندگان خدمات مشتری شرکتی کار می‌کنند، سرمایه‌گذاری می‌کنند و از یادداشت‌برداری در جلسات تا دیکته‌نویسی مبتنی بر هوش مصنوعی پیش می‌روند.
هر هفته یک مدل جدید یا ابزار جدیدی منتشر می‌شود که ادعا می‌کند به صورت انسانی صحبت می‌کند و مانند یک انسان گفتگو می‌کند. اما در واقعیت، ممکن است که اینگونه نباشد. شاون ون، CTO پلتفرم هوش مصنوعی گفتاری PolyAI بر این باور است که با وجود انتشار مدل‌های کامل دوبلکس — که می‌توانند در حین گوش دادن به شما صحبت کنند — هوش مصنوعی گفتاری هنوز به “لحظه ChatGPT” خود نرسیده است.
او در روی صحنه در کنفرانس HumanX در ماه گذشته به من گفت: “ما به مرحله توسعه مدل‌های کامل دوبلکس رسیده‌ایم. چالش بعدی این است که استدلال را بسیار سریع کنیم، تا مدل‌ها بتوانند به سرعت جواب‌ها را استخراج کنند و گفتگو احساس طبیعی داشته باشد.”
او همچنین گفت که نمایندگان هوش مصنوعی در خدمات مشتری نباید به صورت رباتیک صحبت کنند و باید به تماس‌گیرندگان اعتماد به نفس کافی بدهند که بتوانند مشکلات را حل کنند.
او اضافه کرد: “فکر می‌کنم مرحله بعدی کمی متفاوت خواهد بود زیرا وقتی صدا به اندازه کافی خوب باشد و مشتری برای دو یا سه نوبت اول تمایل به تعامل با آنها داشته باشد، آنها شروع به ساخت اعتماد می‌کنند و با گذشت زمان احساس می‌کنند که احتمالاً نیازی به صحبت با یک انسان ندارند اگر نماینده بتواند مشکل آنها را حل کند.”
الکس گی، CMO یادداشت‌بردار جلسه Otter، اظهار داشت که شناسایی سخنران، ثبت نیت و تایپ کردن آن با دانش سازمانی یک مرحله کلیدی برای توانمندسازی خودکارسازی است. این شرکت همچنین روی دوقلوهای دیجیتالی کار می‌کند که ممکن است نماینده افرادی در جلسات باشند. او گفت که برای این فناوری، بسیار مهم است که صدای خروجی همان حالت‌های احساسی را در گفتگو با یک انسان در یک جلسه داشته باشد.
او ادامه داد: “اگر به جلساتی که در حال حاضر در آن هستید فکر کنید، بهترین گفتگوهایی که دارید جایی هستند که می‌توانید بحث و مباحثه استراتژیک داشته باشید و زمانی که احساس می‌کنید یک رابطه‌ای در پس آن وجود دارد. اگر شما نتوانید این را با یک آواتار داشته باشید، بنابراین فقط یک چت‌بات سوال و جواب است.”
درک و شفافیت هوش مصنوعی گفتاری
در حالی که مدل‌های هوش مصنوعی گفتاری بهبود یافته‌اند، دستیاران هوش مصنوعی اغلب کاربران را درک نمی‌کنند یا یادداشت‌بردار جلسه شما ترنسکریپشن یا خلاصه نادرستی نشان می‌دهد.
ون بر این باور است که مدل‌های ASR (شناسایی خودکار گفتار) اغلب کلمات کلیدی مهم را از دست می‌دهند و این باعث ایجاد مشکلی در ضبط کل زمینه می‌شود.
گی از Otter با این موافق بود و افزود که این شرکت به کار بر روی بهبود ترنسکریپشن ادامه می‌دهد. او همچنین گفت که زبان یکی از حوزه‌هایی است که مدل‌های گفتاری نیاز به بهبود دارند.
او اشاره کرد: “برای Otter، می‌دانید، ترنسکریپشن هرگز نقطه پایان نبوده است. این فقط لایه‌ای بود که ما می‌توانستیم برخی از دستاوردهای بهره‌وری را بر اساس آن هدایت کنیم. اما اگر ترنسکریپشن اصلی شما دقتی که نیاز داشتید را نداشت، تمام اقداماتی که دنبال می‌کنند flawed می‌شوند. و به محض اینکه این شروع به انجام عمل نادرست کند، شما اعتماد خود را به پلتفرم از دست می‌دهید. ادامه بهبود مدل ASR برای ما بسیار حیاتی است زیرا تمام تأثیرات پایین‌دست قابل توجه هستند.”
با ابزارهای جدید صوتی، همچنین سؤال از شفافیت وجود دارد. ابزارها باید به مشتریان اعلام کنند که در حال ضبط شدن هستند یا با هوش مصنوعی گفتگو می‌کنند. Otter گفت که می‌خواهد اعتماد را در افرادی که در جلسه هستند القا کند، بنابراین حتی برای جلسه‌ای که ربات در آن حاضر نیست، می‌خواهد روش‌هایی مانند هشدار دادن به همه در چت که جلسه در حال ضبط است را امتحان کند. ون از PolyAI نیز گفت که مهم است که مشخص شود که افراد در تماس‌های شرکتی با یک هوش مصنوعی صحبت می‌کنند.
