AI giọng nói chưa có bước ngoặt tương tự ChatGPT vì khả năng nói tự nhiên chưa đủ để tạo ra một hệ thống đáng tin cậy. Theo các lãnh đạo của PolyAI và Otter, công nghệ này còn phải suy luận nhanh hơn và nhận dạng lời nói chính xác hơn. Hệ thống cũng phải hiểu đúng ý định và cho người dùng biết rõ khi họ đang tương tác với AI.
AI giọng nói đang thu hút hàng tỷ USD vốn đầu tư. Dòng vốn trải rộng từ các công ty phát triển mô hình đến dịch vụ khách hàng doanh nghiệp, công cụ ghi chép cuộc họp và nhập liệu bằng giọng nói. Tuy nhiên, theo TechCrunch, các lãnh đạo tại PolyAI và Otter cho rằng công nghệ này vẫn chưa đạt thời khắc bứt phá như ChatGPT.
Các mô hình mới thường được quảng bá là có thể phát âm gần giống người thật, nhưng những tuyên bố đó chưa chứng minh rằng chúng thực sự đạt được khả năng này. Một giao diện đáng tin cậy trong công việc phải hiểu đúng người nói và phản hồi đủ nhanh. Hệ thống cũng phải thực hiện đúng yêu cầu và minh bạch về việc người dùng đang giao tiếp với máy.
Mô hình đã có thể vừa nghe vừa nói
Mô hình song công toàn phần cho phép AI nói trong khi vẫn lắng nghe người dùng, thay vì buộc hai bên luân phiên từng lượt. Shawn Wen, Giám đốc công nghệ của PolyAI, xem đây là một cột mốc kỹ thuật. Tuy vậy, tốc độ suy luận vẫn phải được cải thiện để cuộc trò chuyện diễn ra tự nhiên.
Độ trễ chỉ là một phần của trải nghiệm. Trong dịch vụ khách hàng, tác tử AI cần tránh phản hồi máy móc và phải cho người gọi thấy rằng nó có thể xử lý vấn đề. Wen cho biết niềm tin bắt đầu hình thành nếu khách hàng sẵn sàng tiếp tục cuộc trò chuyện sau hai hoặc ba lượt đầu tiên.
Khi tác tử xử lý được yêu cầu, người dùng có thể không còn cần chuyển sang nhân viên hỗ trợ. Điều đó khiến cuộc đua AI giọng nói không chỉ xoay quanh chất giọng.
Các mô hình và công cụ mới thường được giới thiệu với khả năng phát âm và trò chuyện giống con người. Tuy nhiên, giọng đọc thuyết phục không đồng nghĩa với một hệ thống có thể hiểu đúng yêu cầu và thực hiện đúng hành động.
Bản sao số phải thể hiện được cảm xúc
Bản sao số chỉ có thể đại diện cho một người trong cuộc họp nếu hệ thống nhận diện đúng người nói và hiểu ý định. Hệ thống cũng phải sử dụng được tri thức của tổ chức. Alex Gay, Giám đốc tiếp thị của Otter, cho rằng giọng nói đầu ra còn phải truyền đạt được sắc thái cảm xúc của một cuộc trò chuyện thật.
Otter đang phát triển các bản sao số với mục tiêu có thể đại diện cho một người trong cuộc họp. Yêu cầu đối với công nghệ này vượt ra ngoài việc trả lời câu hỏi bằng một giọng nói tự nhiên.
Theo Gay, các cuộc họp có giá trị thường chứa tranh luận, thảo luận chiến lược và mối quan hệ giữa những người tham gia. Nếu hình đại diện không tái hiện được những yếu tố đó, nó chỉ hoạt động như một công cụ hỏi đáp.
Bản chép lời sai kéo theo hành động sai
Độ chính xác của bản chép lời quyết định chất lượng của các bước xử lý tiếp theo. Nếu hệ thống bỏ sót từ khóa hoặc hiểu sai bối cảnh, bản tóm tắt và những hành động được tạo từ dữ liệu đó cũng có thể sai, làm giảm niềm tin vào toàn bộ nền tảng.
Wen cho rằng các mô hình nhận dạng giọng nói tự động vẫn có thể bỏ sót từ khóa quan trọng. Khi đó, hệ thống không nắm được đầy đủ bối cảnh của yêu cầu. Gay cũng cho biết Otter tiếp tục cải thiện khả năng chép lời, đặc biệt về ngôn ngữ.
Đối với Otter, bản chép lời là lớp dữ liệu ban đầu để tạo ra lợi ích năng suất ở các bước tiếp theo, không phải đích đến cuối cùng. Nếu dữ liệu gốc không đạt độ chính xác cần thiết, các hành động dựa trên nội dung đó cũng bị sai lệch.
Rủi ro tăng khi AI chuyển từ tóm tắt sang hành động. Một quyết định sai có thể khiến người dùng mất niềm tin vào nền tảng. Gay vì thế xem việc tiếp tục cải thiện mô hình nhận dạng giọng nói tự động là yêu cầu cốt lõi, do mọi tác động về sau đều phụ thuộc vào dữ liệu đầu vào.
Minh bạch là điều kiện để xây dựng niềm tin
Người tham gia cần biết khi cuộc gọi hoặc cuộc họp đang được ghi lại và khi họ đang giao tiếp với AI. PolyAI và Otter xem sự minh bạch này là một phần của niềm tin trong các cuộc họp và cuộc gọi doanh nghiệp.
Otter muốn thông báo rõ cho những người có mặt trong cuộc họp. Ngay cả khi công cụ tự động không xuất hiện như một người tham dự, công ty vẫn đang xem xét những cách như gửi thông báo trong phần trò chuyện để mọi người biết cuộc họp được ghi lại.
Wen cũng cho rằng các cuộc gọi doanh nghiệp phải xác định rõ người dùng đang giao tiếp với AI. Việc công khai danh tính AI giúp người dùng hiểu họ đang nói chuyện với máy trong những tương tác này.
Nội dung chính: Khoảnh khắc bứt phá vẫn chưa xuất hiện
AI giọng nói đã có thể nghe và nói cùng lúc, nhưng vẫn thiếu ba điều kiện để tạo ra bước ngoặt lớn: suy luận đủ nhanh, nhận dạng đủ chính xác và tương tác đủ tự nhiên để duy trì niềm tin. Trong môi trường doanh nghiệp, hệ thống còn phải minh bạch về việc ghi âm và danh tính AI.
Nhận định từ PolyAI và Otter cho thấy giọng nói giống con người không phải thước đo duy nhất. Công nghệ chỉ tiến gần thời khắc tương tự ChatGPT khi người dùng tin rằng hệ thống hiểu đúng yêu cầu, sử dụng đúng bối cảnh và hoàn thành công việc mà không tạo thêm sai sót.
Hãy tiếp tục theo dõi Sine để cập nhật những chuyển biến tiếp theo của AI giọng nói và các tác tử tự động.
