La teoría de que la voz será la siguiente gran interfaz ha ganado mucha fuerza, con inversores que invierten miles de millones de dólares en startups de inteligencia artificial basada en la voz que trabajan en áreas que van desde la creación de modelos hasta los proveedores de servicio al cliente empresarial, y desde los sistemas de toma de notas hasta las dictaciones impulsadas por IA.
Cada semana se lanza un nuevo modelo o una herramienta que afirma sonar humano y conversar como tal. Sin embargo, en realidad, puede que no sea así. Shawn Wen, CTO de la plataforma de inteligencia artificial de voz empresarial PolyAI, cree que, a pesar de la lanzamiento de modelos full-duplex —que pueden hablar mientras escuchan a las personas—, la inteligencia artificial de voz aún no ha alcanzado su “momento ChatGPT”.
“Hemos alcanzado el hito de desarrollar modelos full-duplex. La siguiente tarea es hacer que el razonamiento sea muy rápido, de modo que los modelos puedan obtener respuestas rápidamente y la conversación se sienta natural”, me dijo en el escenario de la conferencia HumanX el mes pasado.
También dijo que los agentes de IA en el servicio al cliente no deben sonar robóticos y deben dar a las llamantes suficiente confianza para que puedan resolver los problemas.
“Creo que la siguiente etapa será ligeramente diferente, porque una vez que la voz sea suficiente y el cliente esté dispuesto a interactuar con ellos durante las primeras dos o tres rondas, comienzan a ganar confianza. Con el tiempo, sentirán que probablemente no necesito hablar con una persona si el agente puede resolver mi problema”, dijo.
Alex Gay, CMO de Otter, empresa especializada en notas de reuniones, opinó que la identificación de los hablantes, la captura de sus intenciones y el registro del texto con conocimiento organizativo son un paso clave para facilitar la automatización. La empresa también está trabajando en gemelos digitales que podrían representar a las personas durante las reuniones. Sobre esta tecnología, dijo que es fundamental que la voz generada tenga las mismas expresiones emocionales que una persona real durante una reunión.
“Si piensas en las reuniones en las que estás ahora, las mejores conversaciones son aquellas en las que se puede tener debate y discusiones estratégicas, y cuando sientes que existe una relación que sustenta todo. Si no puedes hacerlo con un avatar, entonces es solo una consulta y un chatbot”, señaló Gay.
Comprensión y transparencia de Voice AI
Aunque los modelos de inteligencia artificial vocal han mejorado, los asistentes de IA a menudo no entienden a los usuarios, o el grabador de notas de la reunión muestra la transcripción o el resumen equivocados.
Wen cree que los modelos de reconocimiento de voz automático (ASR) a menudo omiten palabras clave importantes, lo que genera un problema en la captura de todo el contexto.
Otter’s Gay estuvo de acuerdo con esto, añadiendo que la empresa sigue trabajando en mejorar la transcripción. También dijo que el idioma es un área en la que los modelos de voz necesitan mejorarse.
“Para Otter, como sabes, la transcripción nunca fue el punto final. Era simplemente una capa con la que podíamos comenzar a aprovechar algunos de los beneficios en cuanto a productividad. Pero si tu transcripción original no tenía la precisión necesaria, todas las acciones posteriores se volvían defectuosas. Y en el momento en que se empieza a actuar, eso está mal. Se pierde la confianza en la plataforma.” “Es crucial para nosotros seguir mejorando ese modelo de ASR, ya que todos los impactos secundarios son significativos”, dijo.
Con las nuevas herramientas de voz, también surge la cuestión de transparencia. Las herramientas deben informar a los clientes de que se están grabando o que se está hablando con una IA. Otter dijo que quiere fomentar la confianza en las personas que participan en reuniones, por lo que, incluso en reuniones en las que no está presente el bot, desea probar métodos como notificar a todos en el chat de que se está grabando la reunión. Wen de PolyAI también dijo que es importante indicar claramente que las personas están hablando con una IA en las llamadas empresariales.