В голосовой AI вложены миллиарды: стартапы делают модели для колл-центров, диктовки, записи встреч. Каждую неделю выходит релиз, который обещает звучать неотличимо от человека. Руководители индустрии на конференции HumanX признали: обещание пока не выполнено.
CTO платформы PolyAI Шон Вэн считает, что индустрия добралась до full-duplex моделей: тех, что умеют говорить и слушать одновременно, но это не тот прорыв, что случился с ChatGPT. Следующий барьер, по его словам, скорость рассуждений: модель должна находить ответ быстро, иначе разговор ощущается неестественным. Для клиентского сервиса это критично вдвойне: агент должен звучать не роботом, а собеседником, которому хочется довериться.
CMO сервиса записи встреч Otter Алекс Гэй добавляет ещё одну проблему: распознавание речи (ASR) часто теряет ключевые слова, из-за чего ломается контекст целиком. Для Otter транскрипция никогда не была конечной целью это просто слой, на основе которого строятся дальнейшие действия. Если он ошибается, все последующие шаги становятся бесполезными, а доверие к платформе рушится мгновенно. Отдельный вопрос, прозрачность: собеседник должен знать, что говорит с AI или что встреча записывается. Otter планирует уведомлять участников об этом даже тогда, когда бот физически не присутствует на звонке.
Создание AI-агентов и автоматизация на n8n: проектируем и запускаем под ключ.
