语音是下一个重大交互界面的理论已经获得了强劲的发展势头，投资者向语音AI初创企业投入了数十亿美元，这些企业的业务范围从模型开发商到企业客服提供商，从会议记录工具到AI语音转录都有所涉及。
每周都会有新模型或新工具发布，宣称自己听起来像人类、交谈起来也像人类。然而现实情况可能并非如此。企业语音AI平台PolyAI的首席技术官肖恩·温（Shawn Wen）认为，尽管全双工模型（能够边说边听）已经问世，但语音AI仍未迎来自己的"ChatGPT时刻"。
他在上个月的HumanX大会上台时对我说："我们已经达成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，这样模型才能快速获取答案，让对话感觉自然流畅。"
他还表示，客服领域的AI智能体不应该听起来机械呆板，而应该给来电者足够的信心，让他们相信问题能够得到解决。
他说："我认为下一阶段会略有不同，因为一旦语音足够好，客户愿意在最初两三轮对话中与之互动，他们就开始建立信心，随着时间推移，他们会觉得——如果智能体能解决我的问题，我可能根本不需要跟人类交谈了。"
会议记录工具Otter的首席营销官亚历克斯·盖伊（Alex Gay）认为，说话人识别、意图捕捉以及将这些内容与组织知识整合，是实现自动化的关键步骤。该公司还在研发可能代表人们参加会议的数字分身。对于这项技术，他说至关重要的是，输出的语音要能呈现出与真人在会议中交谈时同样的情感表达。
盖伊指出："如果你想想现在参加的会议，你会发现最好的对话往往是那种可以展开辩论、进行战略讨论的场合，而且你会感觉这背后有一种关系支撑着交流。如果你无法与一个虚拟形象建立这种关系，那它就只是一个问答聊天机器人而已。"
语音AI的理解力与透明度
虽然语音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内容或摘要。
温认为，自动语音识别（ASR）模型常常会漏掉重要的关键词，这就造成了捕捉完整语境方面的问题。
Otter的盖伊对此表示认同，并补充说该公司一直在努力提升转录质量。他还表示，语言是语音模型需要改进的一个领域。
他说："对Otter来说，转录从来不是终点，它只是我们能够借以推动一些生产力提升的基础层面。但如果你最初的转录没有达到所需的准确度，那么所有后续的操作都会出现问题。一旦系统开始采取行动，而这个行动是错的，你就会对平台失去信任。持续改进ASR模型对我们来说至关重要，因为所有下游的影响都是巨大的。"
随着新语音工具的出现，透明度问题也随之产生。工具应该向用户声明他们正在被录音或正在与AI交谈。Otter表示，它希望在参会人员中建立信任，因此即使在机器人不在场的会议中，它也希望尝试一些方法，比如在聊天中通知所有人该会议正在被录制。PolyAI的温也表示，在企业通话中明确告知对方正在与AI交谈，这一点很重要。
Q&A
Q1：语音AI为什么还没有迎来ChatGPT时刻？
A：尽管全双工模型已经出现，能够实现边说边听，但PolyAI首席技术官认为推理速度还不够快，无法让对话感觉真正自然流畅，这是语音AI尚未迎来突破性时刻的关键原因。
Q2：Otter公司的数字分身技术是做什么的？
A：Otter正在研发可能代表人们参加会议的数字分身技术，这项技术的关键在于输出的语音需要具备与真人交谈时同样的情感表达，否则就只能算是简单的问答聊天机器人。
Q3：语音AI在转录和理解方面存在什么问题？
A：自动语音识别模型常常会漏掉重要关键词，导致无法捕捉完整语境。如果最初的转录准确度不够，后续基于转录内容的操作就会出现问题，进而影响用户对平台的信任。