📰 重點摘要

語音AI領域正吸引大量投資,但業界高層認為尚未迎來「ChatGPT時刻」。企業語音AI平台PolyAI技術長Shawn Wen在HumanX大會上指出,雖然全雙工模型(full-duplex models,可邊聽邊說)已經問世,語音AI仍未達到真正的突破點。他認為下一個關鍵挑戰是讓模型的推理速度大幅加快,使系統能快速檢索答案,讓對話感覺自然流暢。他也強調,客服場景中的AI代理不應聽起來機械化,必須讓來電者有足夠信心相信問題能被解決——當語音品質夠好、顧客願意持續互動兩三輪後，便會逐漸建立信任，最終覺得不需要再轉接真人客服。

會議記錄工具Otter的行銷長Alex Gay則提出,語者識別(speaker identification)、意圖捕捉,以及將對話內容與組織知識結合,是實現自動化的關鍵步驟。該公司目前也在開發「數位分身」(digital twins),用以在會議中代表真人與會者,而讓輸出語音保有如真人般的情感表達被視為此技術成功的關鍵。Gay指出,真正有價值的會議往往建立在辯論、戰略討論與人際關係之上,若虛擬化身無法做到這點,就只是一個問答機器人。

兩人也共同點出語音AI在理解與透明度上的侵蝕性問題:自動語音辨識(ASR)模型常遺漏關鍵字,導致脈絡掌握不完整;Otter坦言轉錄準確度是一切後續生產力功能(如摘要、待辦事項)的根基,一旦轉錄出錯,後續自動化動作就會跟著出錯,進而損害用戶對平台的信任。

💬 JudyAI Lab 觀點

語音AI投資熱潮持續升溫,但業界高層坦言「ChatGPT時刻」尚未到來,這個落差本身就值得我們持續關注。

PolyAI技術長指出,全雙工模型已經出現,但推理速度仍是瓶頸——系統要能快速檢索答案,對話才會自然流暢,而客服場景裡的AI代理不能聽起來機械化,要讓顧客多互動兩三輪建立信任後,才會覺得不需要轉真人。Otter行銷長則提到,語者識別、意圖捕捉與組織知識整合是自動化的關鍵步驟,其開發的「數位分身」若要成功,輸出語音必須保有情感表達,否則虛擬化身撐不起辯論與戰略討論這類真正有價值的會議。兩人都點出ASR常遺漏關鍵字會侵蝕脈絡與使用者信任,這說明語音AI的核心瓶頸不在生成夠不夠像人,而在理解夠不夠精準。

若要評估一個語音AI產品,先看轉錄準確度這個根基指標,而不是隻看語音聽起來有多自然。

📅 原文資訊

🔗 延伸閱讀