Balso DI dar nepasiekė ChatGPT lūžio, sako įmonių vadovai

Balso DI rinka dar nepasiekė ChatGPT lūžio, nors investuotojai toliau finansuoja modelius, klientų aptarnavimo agentus ir susitikimų įrankius.

Tai svarbu, nes balsas laikomas natūralia sąsaja su DI agentais, bet vartotojai greitai pastebi delsą, klaidingą intencijos supratimą ir prastą kontekstą. Įmonėms toks skirtumas lemia, ar klientas pasitiki automatizuotu pokalbiu, ar iškart prašo žmogaus.

TechCrunch rašo, kad vis daugiau įrankių žada skambėti žmogiškai ir kalbėti natūraliai, tačiau verslo aplinkoje to dar nepakanka. PolyAI technologijų vadovas Shawnas Wenas HumanX konferencijoje sakė, kad pilno dvikrypčio kalbėjimo modeliai jau pasiekti, bet kitam etapui reikia labai greito samprotavimo.

Pasak Weno, modeliai turi greitai pasiimti atsakymus, kad pokalbis atrodytų natūralus. Jis taip pat teigė, kad klientų aptarnavimo agentai neturi skambėti robotiškai ir turi suteikti skambinančiajam pasitikėjimo, jog problema bus išspręsta.

TechCrunch taip pat cituoja Otter rinkodaros vadovą Alexą Gay, kuris pabrėžė kalbėtojo atpažinimą, intencijos pagavimą ir organizacijos žinių prijungimą. Pasak jo, tai būtina, kad balso įrašai nevirstų vien transkripcija, o galėtų paleisti tolesnę automatizaciją.

Straipsnyje nurodoma, kad balso DI investicijos apima labai skirtingas sritis: modelių kūrėjus, klientų aptarnavimo platformas, susitikimų užrašų įrankius ir diktavimo sistemas. Tai rodo paklausą, bet kartu išskaido rinką, kurioje dar nėra vieno aiškaus vartotojų įpročio.

Wenas TechCrunch scenoje sakė, kad klientas pradeda pasitikėti agentu tik po pirmų dviejų ar trijų sėkmingų pokalbio posūkių. Jei sistema tada išsprendžia problemą, žmogus gali nebereikalauti operatoriaus, bet nesėkmė anksti sugriauna visą patirtį.

Straipsnyje rašoma, kad Otter jau dirba su skaitmeniniais dvyniais, kurie galėtų atstovauti žmonėms susitikimuose. Tokiam naudojimui, Gay teigimu, svarbu, kad balsas būtų atpažįstamas ir patikimas, nes jis kalbės žmogaus vardu.

TechCrunch tekstas taip pat pabrėžia, kad balso sistema turi ne tik suprasti žodžius, bet ir turėti kontekstinį sluoksnį. Būtent ten dažnai lūžta visa grandinė, kai transkripcija gera, bet veiksmas po pokalbio neatitinka naudotojo ketinimo.

Toliau balso DI startuoliams teks spręsti ne tik garso kokybę, bet ir konteksto, delsos bei atsakomybės klausimus, kurie lemia realų naudojimą įmonėse.