语音AI高管称行业尚未迎来“ChatGPT时刻”
PolyAI首席技术官Shawn Wen在HumanX大会上表示，全双工模型已取得进展，但推理速度仍是让对话自然的下一个挑战；Otter首席营销官Alex Gay则强调转录准确率是下游自动化的前提。
AI解读：PolyAI首席技术官Shawn Wen认为，尽管全双工语音模型已经出现，语音AI还没有属于自己的“ChatGPT时刻”，下一步挑战是让推理足够快，使模型能迅速取回答案、对话显得自然。
Otter首席营销官Alex Gay表示，说话人识别、意图捕捉并结合组织知识输出，是语音自动化落地的关键步骤；Otter还在研发可在会议中代表人的数字孪生。
两人都指出语音理解仍有缺口：Wen说ASR模型常漏掉重要关键词，影响整体语境捕捉；Gay说转录从来不是终点，但转录不准则后续动作全部有缺陷，会让人对平台失去信任。
在透明度方面，Otter表示希望让参会者建立信任，即使会议中没有机器人参与，也尝试在聊天中通知所有人会议正在被录音；Wen也强调企业通话中必须让用户知道自己在与AI对话。
企业语音AI平台PolyAI的首席技术官Shawn Wen与会议记录工具Otter的首席营销官Alex Gay在HumanX大会上表示，语音AI尚未迎来类似ChatGPT的突破时刻。
Wen称，行业已经达到开发全双工模型的里程碑，下一个挑战是让推理非常快，使模型能快速取回答案，让对话感觉自然。
全双工之后，推理速度成为新门槛
Wen在HumanX大会现场表示，语音AI还没有迎来“ChatGPT时刻”。他把全双工模型——即能在听用户说话的同时继续说话的模型——视为已经达成的里程碑，并认为下一步是提升推理速度。
按照他的说法，只有当模型能快速取回答案、对话显得自然之后，语音AI才可能进入下一阶段。他同时提出，客服场景中的AI代理不应听起来像机器人，并且要让来电者相信它能解决问题。
Wen描述了一种预期变化：一旦语音质量足够好、客户愿意与AI代理进行前两三轮交流，他们就会开始建立信心，并随着时间推移觉得，如果代理能解决问题，自己也许不必和真人通话。
Otter关注说话人识别与数字孪生
Gay表示，说话人识别、意图捕捉，并结合组织知识把内容写出来，是语音AI实现自动化的关键一步。Otter还在研发数字孪生，可能让数字形象在会议中代表真人。
Gay说，对于这类技术，输出声音能否传达出与真人开会时相同的情感表达至关重要。他举例说，人们如今参与的最佳会议对话包含辩论和战略讨论，并且让人感到背后有某种关系支撑；如果数字形象无法做到这一点，那它就只是一个问答聊天机器人。
转录错误会破坏后续流程
Wen认为，ASR（自动语音识别）模型经常漏掉重要关键词，这会造成整体语境捕捉的问题。Gay对此表示认同，并称Otter一直在改进转录。
Gay补充说，语言是语音模型需要改进的领域之一。他说，对Otter而言，转录从来不是终点，它只是开始从中获取生产力提升的底层；但如果原始转录没有达到所需准确率，后续所有动作都会存在缺陷。
他进一步表示，一旦这些动作开始执行并且出错，用户就会对平台失去信任，因此持续改进ASR模型至关重要，因为所有下游影响都很重大。
透明度与录音告知
在新语音工具不断出现的同时，透明度也是一个问题。报道称，工具应当向客户声明他们正在被录音或正在与AI对话。
Otter表示，它希望让参会者建立信任，因此即使会议中没有机器人参与，也尝试通过聊天通知所有人该会议正在被录音。
PolyAI的Wen也表示，在企业通话中，让用户知道自己在与AI对话很重要。