Hjälp Nya Dagbladet att finnas kvar
Röst-AI som låter mänsklig räcker inte. Företrädare för två bolag i branschen säger att systemen måste svara snabbare, förstå bättre och tydligt tala om när samtalet spelas in eller förs med en maskin.
Investerare pumpar in miljarder dollar i bolag som bygger röststyrd AI, från modellutvecklare och kundtjänstsystem till mötesprogram som skriver ut och sammanfattar samtal. Nästan varje vecka lanseras ett verktyg som påstås låta och samtala som en människa.
Shawn Wen, teknikchef på PolyAI, som säljer röst-AI till företags kundtjänst, anser ändå att tekniken ännu inte fått ett genombrott i stil med ChatGPT. Det framgår av ett samtal från konferensen HumanX som TechCrunch återger.
Branschen har enligt Wen nått fram till så kallade full-duplexmodeller, system som kan tala och lyssna samtidigt i stället för att vänta på sin tur. Nästa hinder är att få resonerandet så snabbt att svaren kommer utan märkbar fördröjning.
Samtidigt missar automatisk taligenkänning, tekniken som gör tal till text, ofta viktiga nyckelord, säger Wen. Då tappar systemet sammanhanget.
Alex Gay, marknadschef på mötesverktyget Otter, håller med. Fel i utskriften fortplantar sig enligt honom till varje åtgärd som bygger på den. Bolaget arbetar också med digitala tvillingar som ska kunna företräda människor i möten.
— I samma stund som det börjar utföra åtgärder som är fel tappar man förtroendet för plattformen, säger Alex Gay.
Öppenheten ser olika ut för de två bolagen. Otter vill pröva att meddela alla deltagare i mötets chatt att mötet spelas in, även när bolagets mötesrobot inte deltar. Wen anser att den som ringer ett företag ska få klart besked om att motparten är en AI.
Målet är enligt Wen att den som ringer, efter några repliker med en fungerande agent, ska känna att det inte längre behövs någon människa i luren.
Så låter röst-AI i dag
OpenAI visar i en egen video hur samtalstjänsten ChatGPT Voice används i vardagliga situationer. Klippet är drygt två minuter långt och är bolagets egen demonstration, inget oberoende test.
ElevenLabs, som säljer talsyntes snarare än en samtalstjänst, lanserade den 28 september röstmodellerna Eleven v4 och v4 Turbo. Bolagets egen visning spelar upp syntetiskt tal med känslouttryck på flera språk.
