Äänikäyttöliittymien kehitys on saamassa merkittävää vauhtia, kun sijoittajat ympäri maailmaa sijoittavat miljardeja dollareita ääni-AI-startupeihin. Nämä yritykset keskittyvät kehittämään malleja erilaisiin käyttötarkoituksiin, kuten yritysasiakaspalveluun, kokousten muistiinpanoihin ja tekoälypohjaiseen saneluun. Uusia malleja ja työkaluja julkaistaan viikoittain, ja ne väittävät kuulostavansa ja keskustelevansa kuten ihmiset. Todellisuudessa tämä ei kuitenkaan aina pidä paikkaansa.
PolyAI:n teknologiajohtaja Shawn Wen korostaa, että vaikka täyden dupleksin malleja, jotka pystyvät puhumaan ja kuuntelemaan samanaikaisesti, on kehitetty, ääni-AI ei ole vielä saavuttanut ”ChatGPT-hetkeään”. Hän korosti HumanX-konferenssissa, että seuraava haaste on kehittää mallit, jotka pystyvät tekemään päätelmiä nopeasti, jotta keskustelut tuntuisivat luonnollisilta ja mallien antamat vastaukset olisivat ripeitä.
Wen painotti myös, että asiakaspalvelussa käytettävien AI-agenttien ei tulisi kuulostaa robottimaisilta, vaan niiden tulisi antaa soittajille riittävästi luottamusta ongelmien ratkaisemiseksi. Hän uskoo, että kun ääni on riittävän hyvä, asiakkaat ovat valmiita keskustelemaan AI-agenttien kanssa, ja ajan myötä he kokevat, ettei heidän tarvitse puhua ihmiselle, jos agentti pystyy ratkaisemaan heidän ongelmansa.
Otterin markkinointijohtaja Alex Gay puolestaan uskoo, että puhujan tunnistaminen, aikomusten ymmärtäminen ja niiden yhdistäminen organisaation tietoon ovat tärkeitä askeleita automaation mahdollistamiseksi. Yritys kehittää myös digitaalisia kaksosia, jotka voisivat edustaa ihmisiä kokouksissa. Tämän teknologian osalta Gay korostaa, että on oleellista, että tuotettu ääni välittää samanlaisia tunneilmaisuja kuin ihmisen kanssa keskustellessa.
”Kun ajattelet nykyisiä kokouksiasi, parhaat keskustelut ovat sellaisia, joissa voit väitellä, käydä strategisia keskusteluja ja tuntea, että niitä tukee suhde. Jos et voi kokea tätä avatarin kanssa, se on vain kysymys-vastaus-chatbot,” Gay toteaa.
Ääni-AI:n ymmärtämisessä ja läpinäkyvyydessä on edelleen parannettavaa. Vaikka mallit ovat kehittyneet, AI-avustajat eivät usein ymmärrä käyttäjiään, tai kokouksen muistiinpanosovellus näyttää väärän transkription tai yhteenvedon. Wen uskoo, että automaattiset puheentunnistusmallit jättävät usein huomiotta tärkeitä avainsanoja, mikä vaikeuttaa koko kontekstin kattavaa ymmärtämistä.
Gay vahvistaa tämän, lisäten, että Otter pyrkii jatkuvasti parantamaan transkriptiota. Hän huomauttaa, että kieli on alue, jolla ääni-mallit tarvitsevat parannusta. ”Transkriptio ei koskaan ollut Otterille lopullinen tavoite. Se oli vain kerros, jonka avulla voimme edistää tuottavuuden parantamista. Mutta jos alkuperäinen transkriptio ei ole riittävän tarkka, kaikki jatkotoimet ovat virheellisiä. Ja heti kun jokin toimenpide on väärä, menetät luottamuksen alustaan. On kriittistä, että jatkamme ASR-mallien parantamista, koska kaikki myöhemmät vaikutukset ovat merkittäviä,” hän sanoo.
Uusien äänityökalujen myötä herää myös kysymys läpinäkyvyydestä. Työkalujen tulisi ilmoittaa asiakkaille, että heitä äänitetään tai että he keskustelevat tekoälyn kanssa. Otter haluaa luoda luottamusta kokouksiin osallistuvien ihmisten keskuudessa, joten vaikka botti ei olisi paikalla, se pyrkii ilmoittamaan kaikille chatissa, että kokous äänitetään. PolyAI:n Wen korostaa myös, että on tärkeää varmistaa, että ihmiset tietävät puhuvansa tekoälylle yrityspuheluissa.