PolyAI 与 Otter 高管：语音 AI 尚未迎来 ChatGPT 时刻
两位语音 AI 公司高管指出，语音 AI 的短板不在能不能对话，而在推理太慢、转写不准、透明度不足——这些决定了用户会不会真的信任它。
投资者已向语音 AI 初创公司投入数十亿美元，但企业级语音平台 PolyAI 的 CTO 和会议记录工具 Otter 的 CMO 认为，语音 AI 还没迎来自己的 ChatGPT 时刻。全双工模型（能边听边说的模型）已经问世，接下来要解决的是推理速度、ASR（自动语音识别）漏掉关键词、以及明确告知用户正在被录音或正在与 AI 对话。
正文摘录
语音作为下一代重要交互界面的理论，势头越来越猛：投资者向语音 AI 初创公司砸下数十亿美元，涵盖从模型厂商到企业客服提供商，从会议记录工具到 AI 驱动的听写应用。 每周都有新模型或新工具发布，宣称自己的声音像人、对话也像人。但现实情况未必如此。企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管全双工模型（full-duplex，可边听边说的模型）已经问世，语音 AI 还没有迎来属于它的“ChatGPT 时刻”。 “我们已经跨过了研发全双工模型这个里程碑。下一个挑战是让推理变得非常快，这样模型能迅速取回答案，对话也显得自然。”上个月在 HumanX 大会的台上，他这样对我说。 他还表示，客服场景中的 AI agent 不该听起来像机器人，并且要让来电者足够有信心，相信问题能被解决。 “我觉得下一个阶段会稍有不同，因为一旦语音足够好，客户愿意跟它聊前两三个来回，他们就开始建立信心；随着时间推移，如果 agent 能解决我的问题，他们会觉得自己大概不用再找真人了。”他说。 会议记录工具 Otter 的 CMO Alex Gay 认为，说话人识别、意图捕捉，以及结合组织知识把这些内容整理成文，是实现自动化的关键一步。该公司也在研发可能代表人们参加会议的数字孪生（digital twin）。对于这项技术，他说最关键的是输出的声音要能传达出与真人开会时相同的情绪表达。 “想想你现在参加的那些会议，最好的对话是那种你能争论、能做战略讨论，并且你感觉背后有一段关系在支撑。如果你跟一个虚拟形象做不到这些，那它就只是个问答 chatbot。”Gay 指出。 语音 AI 的理解力与透明度 语音 AI 模型虽然进步了，但 AI 助手常常听不懂用户，或者你的会议记录工具给出了错误的转录或摘要。