PolyAI та Otter заявили, що voice AI ще не дозрів

На тлі мільярдних інвестицій у voice AI керівники PolyAI та Otter кажуть, що технології досі бракує природності, точності й прозорості.

У voice AI зростає ажіотаж: інвестори вже вклали мільярди доларів у стартапи, що розробляють голосові моделі, інструменти для корпоративної підтримки, нотатки із зустрічей і AI-диктування. Але в самій галузі звучать і стриманіші оцінки. На конференції HumanX керівники PolyAI та Otter заявили, що голосовий ШІ ще не пережив свій момент на кшталт ChatGPT.

Йдеться не про заперечення прогресу, а радше про межі нинішніх систем. Технологія помітно просунулася вперед, однак, на думку представників обох компаній, їй усе ще бракує природності, точності та зрозумілих правил взаємодії з людьми.

PolyAI вважає, що природної розмови ще не вдалося досягти

Щотижня з’являються нові моделі й сервіси, які обіцяють говорити та вести діалог як людина. У PolyAI, однак, вважають, що реальність поки не відповідає цим обіцянкам.

CTO компанії Shawn Wen сказав, що галузь уже дійшла до важливого етапу — full-duplex моделей, які можуть одночасно говорити й слухати. Але наступний виклик, за його словами, — зробити міркування системи значно швидшим. Саме це, як він вважає, дасть змогу моделі швидко знаходити відповіді й підтримувати розмову так, щоб вона відчувалася природною.

Wen наголосив, що голосові AI-агенти для служби підтримки не повинні звучати роботизовано. Вони мають викликати в абонента достатньо довіри, щоб людина повірила: система справді здатна допомогти з проблемою.

Для служби підтримки довіра стала ключовою умовою

За словами Wen, наступний етап розвитку голосового ШІ виглядатиме дещо інакше. Якщо голос уже достатньо якісний і користувач готовий взаємодіяти з агентом перші два-три кроки, то з часом у нього може з’явитися відчуття, що звертатися до людини вже не обов’язково.

Для бізнесу це важливо, особливо для компаній, які хочуть автоматизувати обробку дзвінків і зменшити навантаження на операторів. Але разом із цим зростає і вимога до якості: якщо система звучить штучно або не розуміє запит, довіра до неї швидко зникає.

Тому для корпоративних сервісів голосовий ШІ — це не лише про зручність. Ідеться також про здатність переконати людину, що вона не втрачає контроль над розмовою.

Otter робить ставку на контекст і емоційні відтінки

CMO Otter Alex Gay сказав, що для автоматизації важливими є розпізнавання мовця, визначення наміру та перетворення цього на текст з урахуванням організаційних знань. За його словами, компанія також працює над digital twins, які можуть представляти людей на зустрічах.

Для такої технології, як підкреслив Gay, критично важливо, щоб голосовий вихід передавав ті самі емоційні відтінки, що й жива людина. Інакше, на його думку, це залишиться просто чат-ботом із питаннями та відповідями, а не інструментом для справжньої розмови.

Як повідомляють Новини IT-PUB, Gay також звернув увагу на іншу межу таких систем: найкращі обговорення на зустрічах часто тримаються на дебатах, стратегічних дискусіях і відчутті взаємин між учасниками. Якщо цього немає, навіть просунутий аватар не замінює повноцінну взаємодію.

Помилки в ASR впливають на весь ланцюжок автоматизації

Попри прогрес у voice AI, проблема розуміння користувача нікуди не зникла. За словами Wen, моделі ASR — системи автоматичного розпізнавання мовлення — часто пропускають важливі ключові слова. Через це втрачається контекст, без якого подальші дії можуть виявитися неправильними.

В Otter погодилися, що якість транскрипції залишається критичною. Gay зазначив, що для компанії транскрипція ніколи не була кінцевою метою — це лише базовий шар, на якому можна будувати підвищення продуктивності. Але якщо початковий текст неточний, усі наступні кроки теж стають хибними.

Він підкреслив: щойно система починає виконувати дії на основі помилкової транскрипції, користувач втрачає довіру до платформи. Саме тому Otter продовжує покращувати ASR-модель, адже помилки на цьому рівні впливають на весь ланцюжок автоматизації.

Прозорість у voice AI стає окремою вимогою

Окрім якості розпізнавання, у голосових інструментів є ще одне чутливе питання — прозорість. За словами учасників дискусії, користувачі мають знати, коли їх записують або коли вони розмовляють з AI.

Otter заявила, що хоче формувати довіру серед людей на зустрічах. Навіть якщо бот не присутній у самій розмові, компанія розглядає способи повідомляти учасників у чаті, що зустріч записується.

Wen зі свого боку також наголосив, що в корпоративних дзвінках важливо прямо позначати, що співрозмовник — це штучний інтелект. Для бізнесу це не дрібниця, а частина правила гри: без цього голосові сервіси можуть викликати не лише зацікавлення, а й недовіру.

На тлі мільярдних інвестицій саме межа між зручністю, автоматизацією та прозорістю стає однією з головних тем для voice AI. За оцінкою представників PolyAI та Otter, технології поки недостатньо просто говорити людським голосом — вона має бути ще й переконливою, точною та зрозумілою для користувача.