Die Theorie, dass die Stimme die nächste große Schnittstelle ist, hat starken Impuls erhalten. Investoren investieren Milliarden Dollar in Start-ups im Bereich Voice-AI, die sich mit Themen wie Modellentwicklung und Unternehmenskundendienstleistungen sowie mit Notizbuch-Programmen und AI-getriebenem Diktat beschäftigen.
Jede Woche kommt ein neuer Modell oder eine neue Tool-Version heraus, die behauptet, menschlich zu klingen und wie ein Mensch zu sprechen. In Wirklichkeit könnte das jedoch nicht der Fall sein. Shawn Wen, CTO der Enterprise Voice AI-Plattform PolyAI, glaubt, dass die Sprach-KI zwar vollständig paarweise modellierte Modelle veröffentlicht hat – die während des Zuhörens auch sprechen können – aber noch nicht ihr „ChatGPT-Moment“ erreicht hat.
„Wir haben das Meilenstein erreicht, dass wir vollständig bidirektionale Modelle entwickelt haben. Die nächste Herausforderung ist es, den Lösungsprozess sehr schnell zu machen, damit die Modelle schnell Antworten abrufen können und das Gespräch natürlich wirkt“, sagte er mir auf der Bühne bei der HumanX-Konferenz letzten Monat.
Er sagte auch, dass KI-Agenten im Kundenservice nicht roboterhaft klingen dürfen und den Anrufern genügend Vertrauen geben sollten, dass sie die Probleme lösen können.
„Ich denke, die nächste Phase wird etwas anders sein, denn sobald die Stimme ausreichend gut ist und der Kunde bereit ist, sich in den ersten zwei oder drei Szenen mit dem Agenten zu unterhalten, beginnt er, Vertrauen zu entwickeln. Mit der Zeit wird er das Gefühl haben, dass ich wahrscheinlich nicht mit einem Menschen sprechen muss, wenn der Agent mein Problem lösen kann“, sagte er.
Alex Gay, CMO von Otter, einem Meeting-Notiz-App-Provider, meinte, dass die Identifizierung der Redner, die Erfassung der Absichten und das Aufzeichnen des Schreibens unter Verwendung organisatorischen Wissens ein wichtiger Schritt zur Automatisierung sei. Das Unternehmen arbeitet außerdem an digitalen Zwillingen, die Personen in Meetings darstellen könnten. Für diese Technologie sei es entscheidend, dass die ausgegebene Stimme dieselben emotionalen Ausdrucksweise zeigt wie bei einem menschlichen Gespräch in einer Besprechung.
„Wenn Sie an die Meetings denken, in denen Sie gerade sind, dann sind die besten Gespräche jene, in denen es möglich ist, zu diskutieren und strategische Diskussionen zu führen – und wenn Sie das Gefühl haben, dass eine Beziehung dahintersteckt. Wenn Sie das nicht mit einem Avatar tun können, dann ist es nur ein Q-Programm und ein Chatbot“, merkte Gay an.
Verständnis und Transparenz von Voice AI
Obwohl die Sprach-KI-Modelle verbessert wurden, verstehen KI-Assistenten oft die Benutzer nicht, oder der Meeting-Notizschreiber zeigt den falschen Transkript oder eine Zusammenfassung an.
Man glaubt, dass ASR-Modelle oft wichtige Schlüsselwörter verfehlen und dies ein Problem bei der Erfassung des gesamten Kontexts darstellt.
Otters Gay stimmte dem zu und fügte hinzu, dass das Unternehmen weiterhin daran arbeitet, die Transkription zu verbessern. Er sagte auch, dass die Sprache ein Bereich sei, in dem die Sprachmodellen verbessert werden müssen.
„Für Otter war die Transkription nie das Endziel. Es war lediglich die Schicht, auf der wir beginnen konnten, die Produktivität zu steigern. Wenn die ursprüngliche Transkription jedoch nicht die benötigte Genauigkeit hatte, dann sind alle folgenden Maßnahmen fehlerhaft. Und sobald man Handlungen einleitet, ist das falsch. Man verliert das Vertrauen in die Plattform.“ „Es ist wichtig für uns, das ASR-Modell weiterhin zu verbessern, denn alle daraus resultierenden Auswirkungen sind erheblich“, sagte er.
Mit den neuen Sprachwerkzeugen gibt es auch die Frage der Transparenz. Die Werkzeuge sollten den Kunden mitteilen, dass sie aufgezeichnet werden oder mit einer KI sprechen. Otter sagte, er wolle Vertrauen bei den Teilnehmern in einem Meeting schaffen, sodass auch für ein Meeting, bei dem der Bot nicht anwesend ist, Methoden verwendet werden können, wie beispielsweise alle im Chat über das Aufzeichnen des Meetings informieren. Wen von PolyAI sagte auch, dass es wichtig sei, klarzumachen, dass die Personen in Unternehmensgesprächen mit einer KI sprechen.