Голосовой ИИ ещё не пережил свой «момент ChatGPT»: что тормозит массовое внедрение

Конференция HumanX собрала создателей голосовых продуктов, и вместо привычных обещаний они честно назвали барьеры, которые отделяют голосовой ИИ от по-настоящему массового применения.

Шон Вен, технический директор корпоративной голосовой платформы PolyAI, заявил, что, несмотря на появление полнодуплексных моделей (они говорят и слушают одновременно), голосовой ИИ ещё не пережил свой «момент ChatGPT», то есть скачок, после которого технологией начинают пользоваться все.

Что мешает голосовому ИИ стать массовым?

• Скорость рассуждений. По словам Вена, полнодуплексные модели уже умеют говорить, пока слушают. Следующий барьер: модель должна находить ответ настолько быстро, чтобы разговор ощущался естественным, а не как беседа с роботом.

• Доверие звонящего. Вен считает, что ИИ-агент (программа, которая сама ведёт разговор с клиентом) в службе поддержки должен за первые два-три обмена репликами убедить человека, что способен решить проблему. Тогда клиент перестаёт требовать переключения на живого оператора.

• Точность распознавания речи. ASR-модели (автоматическое распознавание речи, automatic speech recognition) часто пропускают ключевые слова, и весь контекст разговора теряется. Алекс Гэй, директор по маркетингу сервиса Otter (записывает и расшифровывает совещания), подчеркнул: если исходная расшифровка неточна, все последующие действия на её основе оказываются ошибочными, и пользователь теряет доверие к платформе.

• Эмоциональная выразительность. Otter работает над цифровыми двойниками, которые могут представлять человека на совещании. Гэй отметил, что голос аватара обязан передавать эмоции так же, как живой собеседник, иначе это «просто чат-бот для вопросов и ответов».

• Прозрачность. Оба спикера сошлись в том, что инструменты обязаны предупреждать людей: запись ведётся, а собеседник на другом конце линии может быть ИИ. Otter, например, уведомляет участников чата о записи даже на тех совещаниях, где бот формально не присутствует.

Как попробовать голосовой ИИ уже сейчас?

1. Протестируйте расшифровку совещаний. Зарегистрируйтесь в Otter (otter.ai) и подключите сервис к следующему онлайн-звонку. Бесплатный тариф позволяет оценить качество ASR на английском языке.

2. Сравните с русскоязычным сервисом. Попробуйте встроенную расшифровку в «Яндекс Телемосте» или бота-транскрибатора в Telegram на базе Whisper (открытая модель распознавания речи от OpenAI). Так вы увидите разницу в точности на русском.

3. Оцените голосовой ввод для текстов. Если вы автор, продиктуйте черновик поста через голосовой ввод «Яндекс Браузера» или приложения Google, затем отредактируйте. Это самый простой способ понять, где голосовой ИИ экономит время, а где пока спотыкается.

Российский контекст: голосовой ИИ на русском языке

Otter и PolyAI ориентированы на англоязычный рынок и пока недоступны на русском. Для авторов и предпринимателей в РФ ближайший аналог голосового ИИ-агента в клиентской поддержке предлагают «Салют» (Сбер) и «Яндекс Диалоги», но сравнительных тестов точности распознавания этих платформ в открытых источниках нет, поэтому оценивать придётся на своих задачах.

Частые вопросы

Голосовой ИИ уже может заменить оператора поддержки?

Пока нет. Шон Вен из PolyAI прямо сказал, что модели должны научиться рассуждать быстрее, чтобы разговор ощущался естественным. Сейчас голосовой ИИ справляется с типовыми вопросами (статус заказа, часы работы), но сложные сценарии с уточнениями и контекстом по-прежнему требуют живого оператора.

Можно ли использовать голосовой ИИ для создания контента на русском?

Да, но с оговоркой. Голосовой ввод через «Яндекс Браузер», Google или Telegram-ботов на базе Whisper позволяет надиктовать черновик. Однако точность распознавания на русском ниже, чем на английском, особенно с профессиональной лексикой. Диктовка экономит время на наборе, но без редактуры публиковать текст рискованно.

Обязаны ли голосовые боты предупреждать, что разговор ведёт ИИ?

Оба спикера на HumanX подчеркнули, что прозрачность необходима. Otter уведомляет участников о записи даже без присутствия бота, а PolyAI считает обязательным сообщать звонящему, что он разговаривает с ИИ. В России ФЗ-152 о персональных данных требует уведомлять об обработке и записи разговора, так что и для отечественных сервисов это не рекомендация, а требование закона.

Голосовой ИИ пока застрял между «уже умеет говорить» и «ещё не умеет думать достаточно быстро», и именно эту границу предстоит преодолеть в ближайший год.