Ihmiseltä kuulostava puhe-tekoäly ei riitä. Alan kahden yrityksen edustajat sanovat, että järjestelmien on vastattava nopeammin, ymmärrettävä paremmin ja ilmoitettava selvästi, kun keskustelua tallennetaan tai kun sitä käydään koneen kanssa.
Sijoittajat pumppaavat miljardeja dollareita puhe-tekoälyä rakentaviin yrityksiin, aina mallien kehittäjistä ja asiakaspalvelujärjestelmistä kokousohjelmistoihin, jotka litteroivat ja tiivistävät keskusteluja. Lähes joka viikko julkaistaan työkalu, jonka väitetään kuulostavan ja keskustelevan kuin ihminen.
Shawn Wen, yritysten asiakaspalveluun puhe-tekoälyä myyvän PolyAI:n teknologiajohtaja, uskoo kuitenkin, ettei teknologia ole vielä saavuttanut ChatGPT-tyylistä läpimurtoa. Hänen arvionsa perustuu HumanX-konferenssissa käytyyn keskusteluun, josta raportoi TechCrunch.
Wenin mukaan ala on saavuttanut niin sanottujen full-duplex-mallien vaiheen, eli järjestelmien, jotka voivat puhua ja kuunnella samanaikaisesti sen sijaan, että ne odottaisivat vuoroaan. Seuraava este on tehdä päättelystä tarpeeksi nopeaa, jotta vastaukset saapuvat ilman huomattavaa viivettä.
Samaan aikaan automaattinen puheentunnistus, eli teknologia, joka muuttaa puheen tekstiksi, jättää usein huomioimatta tärkeitä avainsanoja, Wen sanoo. Tällöin järjestelmä kadottaa kontekstin.
Alex Gay, kokoustyökalu Otterin markkinointijohtaja, on samaa mieltä. Hänen mukaansa litteroinnissa tapahtuvat virheet heijastuvat jokaiseen siihen perustuvaan toimintoon. Yhtiö kehittää myös digitaalisia kaksosia, joiden on tarkoitus edustaa ihmisiä kokouksissa.
— Heti kun se alkaa tehdä vääriä toimenpiteitä, luottamus alustaan menee, Alex Gay sanoo.
Nämä kaksi yritystä suhtautuvat avoimuuteen eri tavoin. Otter haluaa kokeilla kaikkien osallistujien ilmoittamista kokouschatissa siitä, että kokousta tallennetaan, vaikka yhtiön kokousbotti ei olisi paikalla. Wen uskoo, että jokaiselle yritykseen soittavalle tulisi kertoa selvästi, että he puhuvat tekoälyn kanssa.
Wenin mukaan tavoitteena on, että soittajat tuntevat muutaman toimivan agentin kanssa käydyn vuorovaihdon jälkeen, etteivät he enää tarvitse ihmistä linjalle.
Miltä puhe-tekoäly kuulostaa tänään
OpenAI näyttää omalla videollaan, miten sen keskustelupalvelua ChatGPT Voicea käytetään arkipäivän tilanteissa. Video on hieman yli kaksi minuuttia pitkä ja se on yhtiön oma demonstraatio, ei riippumaton testi.
ElevenLabs, joka myy puhesynteesiä keskustelupalvelun sijaan, julkaisi Eleven v4- ja v4 Turbo -puhemallinsa 28. syyskuuta. Yhtiön omassa demonstraatiossa toistetaan syntetisoitua puhetta, joka ilmaisee tunteita useilla kielillä.
