Голосові асистенти звучать усе людяніше, а інвестиції в галузь вимірюються мільярдами доларів. Однак, на думку керівників провідних компаній галузі, справжнього прориву ще не відбулося: ШІ-співрозмовники досі помиляються, не вловлюють контекст і не завжди звучать переконливо. Про це йдеться в матеріалі TechCrunch.
Інвестори вкладають гроші в різні напрями голосового штучного інтелекту — від розробки моделей до автоматизації служб підтримки, запису зустрічей і голосового введення тексту. Нові інструменти з з'являються щотижня, а розробники обіцяють спілкування, що майже не відрізняється від людського. Однак технічні можливості ще не гарантують, що такі системи можуть повноцінно замінити людину в розмові.
Чому голосові асистенти не завжди розуміють людей
Технічний директор PolyAI Шон Вен вважає, що голосовому ШІ поки не вистачає швидкості обробки інформації для природного діалогу. Сучасні моделі можуть слухати співрозмовника й відповідати одночасно, але повинні швидше знаходити потрібні відповіді.
Для голосових помічників у службах підтримки важливо не просто відповідати на запитання, а дійсно допомагати клієнтам вирішувати проблеми. Шон Вен вважає, що коли ШІ навчиться давати швидкі й точні відповіді, люди більше довірятимуть йому й частіше обходитимуться без допомоги оператора.
Але одного природного голосу недостатньо. За словами директора з маркетингу сервісу для запису зустрічей Otter Алекса Ґея, ШІ повинен розуміти, хто говорить, чого хоче співрозмовник і який контекст стоїть за його словами.
Otter працює над цифровими двійниками, які могли б представляти людей на зустрічах. Щоб такі інструменти були корисними, вони мають передавати не лише зміст сказаного, а й емоції співрозмовників. Інакше, зазначає Ґей, цифровий двійник залишиться звичайним чат-ботом, який може відповідати на запитання, але не здатний підтримати повноцінну дискусію.
Помилки в розшифровці підривають довіру
Голосові помічники не завжди правильно розуміють користувачів, а послуги для запису зустрічей можуть помилятися в транскрипціях та підсумках розмов.
Вен пояснює, що моделі автоматичного розпізнавання мовлення (ASR) іноді пропускають важливі слова, через що система втрачає частину контексту.
Ґей також вважає точність транскрибування однією з ключових задач для розробників. Помилки в початковій розшифровці впливають на всі подальші операції — від підготовки підсумків зустрічі до формування завдань за її результатами.
Якщо система неправильно розпізнала сказане, подальші дії можуть ґрунтуватися на хибній інформації. За словами Ґея, це підриває довіру користувачів до платформи. Він також зазначив, що голосовим моделям потрібно краще працювати з мовами.
Коли ШІ записує розмову, користувачі мають про це знати
Ще одна проблема — прозорість роботи голосових інструментів. Користувачів слід попереджати, якщо їхню розмову записують або вони спілкуються з штучним інтелектом.
Otter прагне підвищити довіру між учасниками зустрічей. Зокрема, компанія розглядає можливість повідомляти всіх учасників чату про запис розмови навіть тоді, коли бот безпосередньо не бере в ній участі.
Вен також зазначає, що під час дзвінків у корпоративні служби підтримки клієнтам важливо повідомляти про спілкування з ШІ.
Отже, для голосового прориву ШІ потрібно не лише реалістично звучати. Він має швидко відповідати, точно розпізнавати мову, розуміти контекст і не приховувати від користувачів, коли працює замість людини. Саме ці завдання, за словами представників PolyAI та Otter, залишаються ключовими для розвитку технології.
