语音作为下一代重要交互界面的理论正迅速获得强劲势头，投资者已向语音AI初创企业投入数十亿美元，这些企业涉足领域广泛，包括模型开发商、企业客服提供商、会议记录工具以及AI驱动的语音输入系统。
每周都有新的模型或工具发布，声称能像人类一样自然发声并进行对话。然而，现实情况可能并非如此。企业级语音AI平台PolyAI的首席技术官Shawn Wen认为，尽管全双工模型（能够在听你说话的同时进行回应）已经发布，但语音AI尚未迎来其“ChatGPT时刻”。
“我们已经达到了开发全双工模型的里程碑。下一个挑战是让推理过程变得非常快速，以便模型能够快速获取答案，使对话感觉更加自然。”他在上个月HumanX大会的舞台上对我说道。
他还表示，客服领域的AI代理不应听起来像机器人，而应给予来电者足够的信心，让他们相信问题能够被解决。
“我认为下一阶段会有所不同，因为一旦语音质量足够好，客户愿意在前两到三轮对话中与其互动，他们就会开始建立信任感。久而久之，他们会觉得如果AI代理能解决问题，自己可能就不需要再与真人沟通了。”他说。
会议记录工具Otter的首席营销官Alex Gay认为，说话人识别、意图捕捉以及结合组织知识进行文本整理，是实现自动化的关键步骤。该公司还在研发可能代表参会人员的数字分身。对于这项技术，他表示，输出语音必须能够传达出与真人开会时相同的情感表达，这一点至关重要。
“想想你目前参与的会议，最精彩的对话往往发生在可以进行辩论和战略讨论，并且你感受到背后存在某种关系纽带的时候。如果你无法与虚拟形象进行这样的交流，那它只是一个问答聊天机器人。”Gay指出。
语音AI的理解与透明度
尽管语音AI模型有所改进，但AI助手常常无法理解用户，或者你的会议记录工具会显示错误的转录内容或摘要。
Wen认为，自动语音识别（ASR）模型经常遗漏重要关键词，这导致难以捕捉完整的上下文语境。
Otter的Gay对此表示赞同，并补充说公司一直在努力改进转录效果。他还指出，语言处理是语音模型需要提升的一个重要领域。
“对于Otter来说，转录从来不是终点。它只是我们在此基础上实现部分生产力提升的一个基础层。但如果最初的转录结果达不到所需的准确率，所有后续的跟进操作都会出现偏差。一旦开始采取基于错误信息的行动，用户就会对平台失去信任。因此，持续改进我们的自动语音识别（ASR）模型至关重要，因为其对下游环节的影响十分重大。”他说。
随着新型语音工具的推出，透明度问题也日益凸显。这些工具应向客户明确声明其正在被录音或与人工智能进行交互。Otter表示，希望为会议参与者建立信任，因此即使机器人未参会，它也尝试通过群聊通知等方式告知所有人会议正在被录音。PolyAI的Wen也指出，在企业通话中让用户明确知晓自己正在与人工智能对话非常重要。