为什么语音 AI 至今仍未迎来其定义性的 ChatGPT 时刻

目录

• 你可能想了解
• 为什么语音 AI 尚未迎来其定义性的时刻
• 关键见解表
• 接下来……

你可能想了解

• 语音 AI 还需要什么，才能让对话真正自然又实用？
• 当 AI 系统录音、转录或回应人们时，企业该如何建立信任？

为什么语音 AI 尚未迎来其定义性的时刻

语音日益被视为与科技互动的新一代界面。这个构想吸引了大量关注与投资，数十亿美元流入语音 AI 生态系统中的初创公司。这些公司投入的领域五花八门，从基础模型、企业客户服务系统，到会议记录工具与 AI 驱动的听写工具都有。各类产品表明，语音可能成为人们获取信息及自动化工作的常见方式。

新模型与工具不断推出，往往宣称能生成听起来像真人的语音，并进行自然的对话。然而，令人印象深刻的演示不一定意味着语音 AI 已准备好可靠地融入日常使用。尽管技术快速进步，行业领袖表示，这项技术尚未迎来可与 ChatGPT 问世相提并论的突破。差距不仅在于系统听起来如何，也在于它推理的速度、理解人们的准确度，以及用户是否信任它采取行动。

企业语音 AI 平台 PolyAI 的首席技术官 Shawn Wen 表示，全双工模型的发展是一项重要里程碑。这类系统可以同时聆听与说话，让交流更加连贯，不必像某些系统那样等对方说完才回应。但同时聆听与说话只是挑战的一部分。Wen 认为，模型还必须具备足够快的推理能力，才能迅速找到答案，避免令人尴尬的延迟。如果系统无法迅速且恰当地回应，光是声音自然还不够。

对话速度很重要，因为人们会整体评价一次互动。明显的停顿、无关的回答或反复的误解，都会让系统显得机械化，即使它的语音听起来很流畅也是如此。对客户服务应用而言，利害关系尤其明显：来电者想要的是解决问题，而不只是听到令人愉悦的声音表示理解。Wen 表示，AI 代理应避免听起来像机器人，并让来电者有足够信心相信它们能处理问题。

这种信心可能会在对话过程中逐渐建立。Wen 描述了一种可能的发展：如果客户愿意先与 AI 代理互动两或三轮，而系统也提供了有用的帮助，客户或许会更愿意继续对话。久而久之，人们可能会认为，只要代理能解决问题，就不必再与真人交谈。这种可能性取决于系统展现出的能力，而不只是语音质量。听起来令人信服、却无法真正解决问题的系统，非但不能建立信心，反而可能削弱信任。

会议助理面临相关但又有所不同的挑战。会议记录工具 Otter 的首席营销官 Alex Gay 指出，识别发言者、捕捉意图，以及将会议内容与组织知识联系起来，都是迈向实用自动化的重要步骤。系统必须辨认谁说了什么、理解与会者的意思，并保留足够的上下文，以便制作准确的记录或开展后续工作。任何一个环节出错，产出的内容都可能不完整或造成误导。

Otter 也在开发能够代表人们参加会议的数字分身。Gay 表示，对于这类技术，语音必须传达出与真人交谈时相同的情感特质。人类会议并非只是由一连串问答组成，其中可能包含意见分歧、策略讨论、共同语境，以及影响人们表达和理解想法的人际关系。Gay 提醒，如果缺少这些特质，虚拟形象就可能沦为问答聊天机器人。

这一区别有助于说明，为合成语音增添更逼真的效果，并不会自动创造出有意义的对话伙伴。要让互动令人信服，除了文字之外，也必须留意社交线索。系统需要回应与会者想实现的目标、保留相关上下文，并支持符合情境的交流。对于数字会议代表而言，重现富有表现力的语音或许有助于营造这种体验，但无法取代理解讨论内容与互动动态的能力。

准确度仍是另一项根本障碍。语音助手可能误解用户，而会议记录工具可能生成错误的逐字稿或摘要。Wen 表示，自动语音识别（ASR）系统可能会漏掉重要关键词。遗漏关键词后，系统也可能失去解读请求或记录决策所需的部分上下文。错误接着可能一路传递，影响摘要、建议与自动化后续任务。

Gay 认同转录质量的重要性，并表示 Otter 持续致力于改进。他强调，转录并非产品的最终目标，而是生产力功能的基础。如果原始逐字稿不准确，后续依据它采取的行动也可能出错。AI 工具一旦根据有误的记录采取行动，用户就可能失去对平台的信心。因此，可靠的语音识别是值得信赖的自动化之前提，而不只是用于生成易读会议记录的功能。

语言理解也是语音模型需要改进的另一个领域。真实对话包含模糊之处、专业术语、未完整表达的想法，以及对先前讨论的指涉。模型必须理解句子的字面声音以外的内容，才能做出有用的回应。在组织环境中，它可能还需要将口头请求与内部知识联系起来，同时避免混淆相似的名称、概念或任务。系统后续采取的行动越重要，就越需要从一开始便准确保留原意。

透明度也会影响人们是否愿意使用语音 AI。人们应该知道对话何时正在录音，以及自己何时是在与 AI 系统交谈。在会议中，与会者不一定知道有记录机器人加入，或会议正在录音。Otter 表示，希望在与会者之间建立信任，并正在考虑一些做法，例如在聊天中通知所有人会议正在录音，包括机器人未出席的情况。PolyAI 的 Wen 同样强调，在企业通话中明确告知来电者正在与 AI 交谈十分重要。

披露信息并非单纯的技术细节。这能让人们更清楚地了解互动情况，也有助于建立对语音可能如何使用的合理预期。清楚的通知还可以降低以下风险：有人把自动化回应误认为真人承诺，或在对话正在录音时误以为内容是私密的。客户服务通话与职场会议采用的具体方式或许不同，但背后的原则一致：用户不应该需要猜测是否有 AI 参与。

综合来看，这些问题指向更广泛的进步定义。语音 AI 需要自然的语音，也需要快速推理、准确识别、依据上下文回应，以及透明的做法。在客户服务中，成功意味着妥善解决来电者的问题，让他们持续信任系统。在会议中，则意味着保留让讨论富有成效的内容与人际关系。在这两种情境中，流畅的声音可以吸引人们参与，但可靠的表现才能维持这种参与。

因此，这个行业目前的发展阶段，重点不在某一项单一功能，而在于让多项能力共同可靠地运行。全双工对话可以让互动更加流畅，而改进自动语音识别则能强化模型使用的信息。更好的语言理解有助于系统诠释意图，审慎的信息披露则有助于建立信任。语音 AI 的决定性时刻，取决于这些环节能否整合为人们认为实用且值得信赖的对话。

关键见解表

接下来……

语音 AI 正在进步，但它的决定性突破不只取决于语音是否像真人。下一阶段需要系统准确理解、迅速回应、保留对话上下文，并清楚说明 AI 与录音的使用情况。随着这些能力共同提升，语音工具或许能更实际地应用于客户服务与职场协作。在此之前，审慎评估时不应只看系统听起来多自然，还要确认它是否理解人们、可靠地完成任务，并赢得他们的信任。