► Читайте телеграм-канал «Мінфіну»: головні фінансові новини
Інвестори вкладають гроші в різні напрямки голосового штучного інтелекту — від розробки моделей до автоматизації служб підтримки, запису зустрічей і голосового введення тексту. Нові інструменти з'являються щотижня, а розробники обіцяють спілкування, яке майже не відрізняється від людського. Однак технічні можливості ще не гарантують, що такі системи зможуть повноцінно замінити людину в розмові.
Чому голосові асистенти не завжди розуміють людей
Технічний директор PolyAI Шон Вен вважає, що голосовому ШІ поки бракує швидкості обробки інформації для природного діалогу. Сучасні моделі вже можуть слухати співрозмовника й відповідати одночасно, але мають швидше знаходити потрібні відповіді.
«Ми досягли етапу створення моделей, які можуть говорити й слухати одночасно. Наступний виклик — зробити процес міркування дуже швидким, щоб моделі могли швидко знаходити відповіді, а розмова звучала природно», — сказав Вен під час виступу на конференції HumanX минулого місяця.
Для голосових помічників у службах підтримки важливо не просто відповідати на запитання, а й справді допомагати клієнтам розв'язувати проблеми. Шон Вен вважає, що коли ШІ навчиться давати швидкі й точні відповіді, люди більше довірятимуть йому та частіше обходитимуться без допомоги оператора.
Та самого лише природного голосу недостатньо. За словами директора з маркетингу сервісу для запису зустрічей Otter Алекса Гея, ШІ має 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 Гей, цифровий двійник залишиться звичайним чат-ботом, який може відповідати на запитання, але не здатен підтримати повноцінну дискусію.
Читайте також: Nvidia хоче посилити позиції у сфері ШІ: компанія веде переговори про купівлю Reflection AI
Помилки в розшифруванні підривають довіру
Голосові помічники не завжди правильно розуміють користувачів, а сервіси для запису зустрічей можуть помилятися в транскрипціях і підсумках розмов.
Вен пояснює, що моделі автоматичного розпізнавання мовлення (ASR) іноді пропускають важливі слова, через що система втрачає частину контексту.
Гей також вважає точність транскрибування одним із ключових завдань для розробників. Помилки в початковій розшифровці впливають на всі наступні 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 Гея, 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 потрібно попереджати, якщо їхню розмову записують або якщо вони спілкуються зі 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 наголошує, що під час дзвінків до корпоративних служб підтримки клієнтам важливо повідомляти про спілкування з ШІ.
Отже, для голосового прориву ШІ потрібно не лише реалістично звучати. Він має швидко відповідати, точно розпізнавати мовлення, 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.