语音 AI 模型进步很快，但推理速度、转写准确率和透明度仍是大规模应用的关键短板。
语音将成为下一代重要交互界面的观点正在迅速获得支持。投资者已经向语音 AI 初创公司投入数十亿美元，覆盖模型厂商、企业客服、会议记录和 AI 听写等领域。
每周都有新的模型或工具发布，宣称能够像人一样发声和对话。然而，现实可能并没有那么理想。企业语音 AI 平台 PolyAI 的首席技术官 Shawn Wen 认为，尽管全双工模型已经发布，可以在听用户说话的同时进行回应，但语音 AI 还没有迎来属于自己的「ChatGPT 时刻」。
他上月在 HumanX 大会上对我说：「我们已经达到开发全双工模型这一里程碑。下一个挑战是让推理速度足够快，让模型能够迅速找到答案，使对话听起来更加自然。」
他还表示，客服场景中的 AI 智能体不应听起来像机器人，并且要给来电者足够信心，让他们相信智能体可以解决问题。
他说：「下一阶段会稍有不同。当语音足够好，而且客户愿意先和它交流两三轮时，他们就会逐渐建立信心，慢慢觉得：如果这个智能体能解决我的问题，我可能不必再和真人交流。」
会议记录工具 Otter 的首席营销官 Alex Gay 认为，识别说话者、捕捉意图，并结合组织知识将内容记录下来，是实现自动化的关键一步。公司还在开发能够代表会议参与者的数字分身。对于这项技术，他认为，输出语音必须具备类似真人会议交流的情绪表达。
Gay 说：「想想你现在参加的会议，最好的对话往往包含争论和战略讨论，而且你能感受到支撑这些交流的人际关系。如果虚拟形象无法提供这种体验，那它就只是一个问答聊天机器人。」
虽然语音 AI 模型已经进步，但 AI 助手经常无法理解用户，会议记录工具也可能生成错误的转写或摘要。
Wen 认为，自动语音识别模型经常漏掉重要关键词，这会导致系统无法捕捉完整语境。
Gay 也同意这一点，并表示 Otter 一直在改善转写。他还说，语言能力也是语音模型需要提升的领域。
他说：「对 Otter 来说，转写从来不是终点，它只是我们开始推动生产力提升的基础层。如果最初的转写不够准确，后续所有操作都会出错。一旦系统据此采取了错误行动，用户就会失去对平台的信任。因此，我们必须持续改进自动语音识别模型，因为它会影响后续所有环节。」
随着新的语音工具出现，透明度也成了问题。工具应该告知客户，他们正在被录音，或者正在与 AI 对话。Otter 表示，希望让会议参与者建立信任，即使会议中没有机器人，也会考虑通过在聊天中通知所有人会议正在录音等方式，明确告知参与者。PolyAI 的 Wen 也表示，在企业通话中明确让人知道自己正在与 AI 交流非常重要。
来源：TechCrunch
