Koncept hlasu jako dalšího klíčového rozhraní získává na obrovské dynamice, přičemž do startupů vyvíjejících hlasovou umělou inteligenci proudí miliardy investic. Tyto investice pokrývají širokou škálu oblastí, od tvůrců základních modelů přes poskytovatele zákaznických služeb pro podniky až po nástroje pro zápisy z jednání a diktování. I přes neustálé vydávání nových modelů a nástrojů, které slibují lidský hlas a konverzaci, mnozí odborníci naznačují, že hlasová AI zatím nezažila svůj "ChatGPT moment" – tedy okamžik, který by zásadně změnil vnímání a používání technologie.
Jedním z významných milníků je vývoj plně duplexních modelů, které dokáží mluvit a zároveň poslouchat. Skutečnou výzvou však zůstává dramatické zrychlení uvažování těchto modelů. Je klíčové, aby byly schopny rychle získávat odpovědi a zajistit tak, že konverzace bude působit naprosto přirozeně a bez znatelných prodlev.
V oblasti zákaznických služeb je navíc zásadní, aby hlasoví asistenti nepůsobili roboticky. Měli by budovat důvěru volajících v jejich schopnost řešit problémy. Jakmile je kvalita hlasu dostatečně dobrá a uživatel je ochoten se s AI asistentem angažovat v několika prvních interakcích, začíná se budovat důvěra, která postupně vede k pocitu, že nemusí mluvit s člověkem, pokud asistent dokáže efektivně vyřešit jeho dotaz.
Pro automatizaci procesů, například v firemních jednáních, je stěžejní přesná identifikace mluvčího, zachycení záměru a propojení těchto informací s organizačními znalostmi. Některé vývojové týmy se zaměřují i na tzv. digitální dvojčata, která by mohla reprezentovat lidi na schůzkách. U této technologie je klíčové, aby hlasový výstup dokázal vyjádřit stejné emoční nuance jako při rozhovoru s reálným člověkem. Nejhodnotnější konverzace totiž zahrnují debatu, strategické diskuze a budování vztahů – bez schopnosti vyjádřit emoce by se interakce s digitálním avatarem redukovala pouze na prosté dotazy a odpovědi.
Navzdory pokrokům v modelech hlasové umělé inteligence se stále potýkáme s problémy, kdy asistenti AI uživatelům plně nerozumí, nebo nástroje pro zápisy z jednání generují nepřesné přepisy či shrnutí. Modely automatického rozpoznávání řeči (ASR) často opomíjejí klíčová slova, což vede k neúplnému zachycení celého kontextu konverzace. Tato oblast, stejně jako celkové porozumění jazyku, představuje významný prostor pro zlepšení hlasových modelů.
Přesnost přepisu není cílem samým o sobě, ale základem, na němž lze stavět další funkce a produktivní nástroje. Pokud však původní přepis postrádá potřebnou přesnost, veškeré navazující akce jsou chybnné. Jakmile systém začne provádět nesprávné kroky, uživatel rychle ztrácí důvěru v celou platformu. Je proto naprosto klíčové neustále zdokonalovat modely ASR, neboť dopad jejich nepřesností na navazující procesy je značný.
Potřebujete pomoc s webem nebo aplikací?
Ozvěte se mi — do 24 hodin se Vám ozvu zpět s návrhem dalšího postupu.
S rozvojem nových hlasových nástrojů se vynořuje také otázka transparentnosti. Je nezbytné, aby tyto nástroje jasně informovaly uživatele o tom, zda jsou nahráváni nebo zda komunikují s umělou inteligencí. Budování důvěry je zde prvořadé – například oznámením v chatu, že jednání je nahráváno, nebo jasným sdělením v průběhu firemního hovoru, že komunikují s AI. To pomáhá zajistit etické používání technologie a udržet uživatelskou důvěru.