PolyAI: голосовой ИИ пока не достиг переломного момента ChatGPT
Голосовой ИИ уже получил модели полного дуплекса, способные одновременно слушать и говорить, однако отрасль ещё не пережила свой «момент ChatGPT». Об этом на конференции HumanX заявил технический директор корпоративной платформы PolyAI Шон Вэнь. По его словам, следующая задача — резко ускорить рассуждения моделей, чтобы они находили ответы без заметных пауз и разговор воспринимался естественно.
Инвесторы направляют миллиарды долларов в стартапы голосового ИИ: разработчиков моделей, сервисы поддержки клиентов, инструменты для протоколирования встреч и ИИ-диктовки. Новые продукты регулярно обещают человеческую речь и полноценный диалог, но для корпоративного применения одного качества синтеза недостаточно.
Скорость ответа и доверие в разговоре
Вэнь считает, что голосовой агент в службе поддержки не должен звучать механически. Он должен дать абоненту уверенность в том, что сможет решить проблему. Если первые две-три реплики проходят успешно, пользователь начинает доверять системе и может отказаться от перевода на сотрудника.
Полный дуплекс снимает лишь часть ограничений: модель может вести разговор без жёсткого чередования реплик. Но естественность диалога зависит и от того, насколько быстро система обрабатывает запрос, находит нужную информацию и формирует ответ.
Точность расшифровки влияет на автоматизацию
CMO сервиса Otter Алекс Гей назвал важными шагами к автоматизации распознавание говорящих, определение намерения и сопоставление расшифровки с корпоративными знаниями. Otter также работает над цифровыми двойниками, которые могли бы представлять людей на встречах. Для такого сценария голос должен передавать эмоциональные оттенки обычного разговора, иначе аватар останется интерфейсом вопросов и ответов.
Отдельной проблемой остаётся автоматическое распознавание речи, или ASR. Вэнь отметил, что модели нередко пропускают важные ключевые слова, из-за чего теряется контекст. Гей согласился: неточная первоначальная расшифровка делает ошибочными все последующие действия системы. Когда сервис начинает автоматически выполнять неверные действия, доверие к нему снижается.
Прозрачность при записи и общении с ИИ
Участники обсуждения также подчеркнули необходимость прямо сообщать людям, что разговор записывается или что собеседник — ИИ. Otter стремится уведомлять всех участников чата о записи даже в тех случаях, когда бот не присутствует на встрече. PolyAI считает такое раскрытие информации важным и для корпоративных звонков.
Практический вывод для бизнеса: перед автоматизацией звонков и встреч стоит проверять не только естественность голоса, но и точность ASR, скорость ответа, качество действий после расшифровки и понятное уведомление пользователей о роли ИИ. Эти условия определяют, будет ли голосовой интерфейс вызывать доверие в рабочих процессах.