语音将成为下一个重大交互界面的观点势头强劲，投资者正向语音 AI 初创公司投入数十亿美元，这些公司涉足从模型开发商到企业客服提供商、从会议记录工具到 AI 驱动的听写等各个领域。
每周都有新模型或工具发布，声称听起来像人、并能像人一样交谈。然而，现实可能并非如此。企业语音 AI 平台 PolyAI 的 CTO Shawn Wen 认为，尽管能边听边说的全双工模型已经发布，语音 AI 仍未迎来自己的“ChatGPT 时刻”。
他在上个月 HumanX 大会的舞台上对我说：“我们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，使模型能迅速找到答案，让对话感觉自然。”
他还表示，客服中的 AI 代理不应听起来像机器人，并应让来电者对其能解决问题有足够信心。
他说：“我认为下一阶段会略有不同，因为一旦语音足够好，客户愿意在前两三轮与他们互动，他们就开始建立信心；随着时间推移，他们会觉得，如果代理能解决我的问题，我或许就不必和真人交谈了。”
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，并结合组织知识将其整理出来，是实现自动化的关键一步。该公司还在开发可能在会议中代表人们的数字分身。他表示，对于这项技术而言，输出语音必须能像在会议中与人交谈一样传达出相同的情感表达。
Gay 指出：“如果你想想你现在参加的会议，最好的对话往往发生在你能进行辩论、战略讨论，并且你感觉背后有某种关系支撑的时候。如果你无法和一个虚拟形象做到这一点，那它就只是一个问答聊天机器人。”
尽管语音 AI 模型有所改进，但 AI 助手常常不理解用户，或者你的会议记录工具会显示错误的转录或摘要。
Wen 认为，ASR（自动语音识别）模型常常漏掉重要关键词，这会在捕捉完整上下文时造成问题。
Otter 的 Gay 对此表示认同，并补充说公司一直在努力改进转录质量。他还表示，语言是语音模型需要改进的一个领域。
他说：“对 Otter 而言，转录从来不是终点。它只是我们借以开始推动一些生产力提升的基础层。但如果最初的转录没有达到你需要的准确率，后续所有行动都会存在缺陷。而一旦开始基于它采取行动，就会出错。你会对平台失去信任。持续改进 ASR 模型对我们至关重要，因为所有下游影响都非常重大。”
随着新的语音工具出现，透明度也成为问题。工具应告知客户他们正在被录音，或正在与 AI 交谈。Otter 表示，它希望让会议中的人建立信任，因此即使某场会议没有机器人参与，它也希望通过在聊天中通知所有人会议正在被录音等方式来尝试。PolyAI 的 Wen 也表示，在企业通话中明确告知人们正在与 AI 交谈十分重要。
