语音作为下一代重要交互界面的理论正在迅速升温，投资者纷纷向语音AI初创企业投入数十亿美元，这些企业涵盖了从模型开发者到企业客户服务提供商，再到会议记录工具和AI驱动的语音转写等多个领域。

尽管每周都有新的模型或工具发布，声称能像人类一样自然对话，但现实情况可能并非如此。企业语音AI平台PolyAI的首席技术官Shawn Wen认为，尽管已经推出了可以边听边说的全双工模型，语音AI还没有迎来它的“ChatGPT时刻”。

他在上个月的HumanX大会上表示：“我们已经达到了开发全双工模型的里程碑。接下来的挑战是让推理速度更快，这样模型才能迅速获取答案，使对话更加自然流畅。”

他还指出，客户服务中的AI代理不应听起来像机器人，而应让来电者有足够的信心，相信它们能够解决问题。

“我认为下一阶段会有所不同，因为一旦语音质量足够好，客户愿意与AI进行前两三轮对话，他们就会逐渐建立信任，随着时间推移，会觉得如果AI能解决问题，可能就不必再与真人交流了。”

会议记录工具Otter的首席营销官Alex Gay认为，识别说话者、捕捉意图并结合组织知识进行文字整理，是实现自动化的关键步骤。该公司还在开发可能代表会议中人物的数字孪生技术。对于这项技术，他强调输出的语音必须传达出与人类会议交流时相同的情感表达。

“想想你现在参加的会议，最好的对话是能够进行辩论和战略讨论，并且有建立在关系基础上的交流。如果你无法通过虚拟形象实现这种交流，那它就只是一个问答型聊天机器人。”Gay指出。

语音AI的理解能力与透明度

尽管语音AI模型有所提升，AI助手常常无法真正理解用户，或者会议记录工具出现错误的转录或摘要。

Wen认为自动语音识别（ASR）模型经常遗漏重要关键词，这导致无法完整捕捉上下文。

Otter的Gay也认同这一点，并表示公司持续致力于提升转录准确率。他还指出，语言处理是语音模型需要改进的另一个重要方面。

“对Otter来说，转录从来不是终点，而是我们提升生产力的基础层。但如果最初的转录不够准确，后续的所有行动都会出现偏差。一旦执行了错误的操作，用户对平台的信任就会丧失。因此，我们必须不断改进ASR模型，因为所有后续影响都非常重大。”

随着新语音工具的出现，透明度也成为一个问题。工具应当告知用户他们正在被录音或正在与AI对话。Otter表示希望建立会议参与者的信任，即使机器人未参与会议，也会尝试通过聊天通知所有人会议正在录音。PolyAI的Wen也强调，在企业通话中明确告知用户他们正在与AI交流非常重要。