Голосовой ИИ не достиг «момента ChatGPT»: эксперты о задержках и точности
Голосовой ИИ ещё не пережил свой «момент ChatGPT», считают эксперты рынка. Несмотря на миллиардные инвестиции и появление дуплексных моделей, главными препятствиями остаются задержки в рассуждениях и низкая точность распознавания речи.
Инвестиции растут, но прорыва нет
В голосовые ИИ-стартапы вкладывают миллиарды долларов. Инвесторы финансируют разработчиков моделей, сервисы для клиентской поддержки, инструменты для расшифровки встреч и диктовки.
Каждую неделю появляются новые модели и инструменты, которые, по заявлениям разработчиков, звучат и общаются как люди. Однако на практике, как отмечают эксперты, до этого ещё далеко.
Дуплексные модели — только первый шаг
Технический директор PolyAI Шон Вэнь на конференции HumanX заявил, что индустрия достигла рубежа в создании дуплексных моделей — они умеют говорить и одновременно слушать собеседника.
Следующая задача — сделать рассуждения моделей очень быстрыми, чтобы они мгновенно находили ответы и диалог казался естественным. Пока этого не произошло, голосовой ИИ не получит своего «момента ChatGPT».
Вэнь также подчеркнул, что ИИ-агенты в клиентском сервисе не должны звучать роботизированно. Если клиент готов вести диалог первые два-три обмена репликами, он начинает доверять агенту и со временем может отказаться от общения с человеком.
Проблемы распознавания речи и контекста
Даже улучшенные голосовые модели часто не понимают пользователей, а расшифровки встреч содержат ошибки. Шон Вэнь отмечает, что модели автоматического распознавания речи (ASR) пропускают важные ключевые слова, из-за чего теряется весь контекст.
Директор по маркетингу Otter Алекс Гэй согласен: компания продолжает улучшать транскрипцию. По его словам, для Otter расшифровка никогда не была конечной целью — это лишь слой, на основе которого можно повышать продуктивность.
Но если исходная транскрипция неточна, все последующие действия становятся ошибочными, и пользователи теряют доверие к платформе. Поэтому критически важно улучшать ASR-модель, поскольку все дальнейшие эффекты значительны.
Цифровые двойники и эмоции
Otter также работает над цифровыми двойниками, которые могут представлять людей на встречах. Для этой технологии важно, чтобы голос аватара передавал те же эмоции, что и при разговоре с человеком.
Алекс Гэй пояснил: лучшие беседы на встречах — это те, где есть дебаты, стратегические обсуждения и ощущение отношений. Если аватар не способен на такое, он остаётся просто вопросно-ответным чат-ботом.
Прозрачность и доверие
С новыми голосовыми инструментами встаёт вопрос прозрачности. Инструменты должны сообщать клиентам, что их записывают или что они говорят с ИИ.
Otter стремится укрепить доверие участников встречи: даже если бот не присутствует, компания хочет уведомлять всех в чате о записи. PolyAI также считает важным предупреждать людей в корпоративных звонках, что они общаются с ИИ.
Ранее на нашем сайте выходили материалы по теме: 9 октября 2026 года a16z сообщила, что ChatGPT лидирует среди потребительских ИИ-приложений, но платят лишь 2,2% домохозяйств США.
Что это значит для пользователей
- Пользователи голосовых помощников пока не могут получить по-настоящему быстрый и естественный диалог — задержки при рассуждениях моделей остаются заметными.
- Точность распознавания речи критична: ошибки в транскрипции ломают все последующие задачи, поэтому стоит перепроверять важные расшифровки.
- Компании пока не сообщили о сроках и ценах на новые голосовые функции — следите за анонсами.
- При использовании голосовых ИИ обращайте внимание на уведомления о записи и на то, что вы говорите с ботом, а не с человеком.
- По сравнению с текстовыми чат-ботами голосовые агенты должны лучше имитировать живое общение, но пока этого не произошло.
Источник: techcrunch.com
Обсудить в Telegram
