В индустрии голосового искусственного интеллекта нарастает уверенность в том, что голос как интерфейс станет следующей крупной точкой роста. Инвесторы вкладывают миллиарды в стартапы, работающие над технологиями от разработки языковых моделей до корпоративной поддержки и автоматического формирования протоколов встречи и диктовки. Но, несмотря на волну релизов, эксперты напоминают: пока речь о полном «ChatGPT-моменте» голосовых систем не идет.

На HumanX-конференции прошлым летом целую серию заявлений озвучил технический директор PolyAI Шон Вен: влияние полно-дуплексных моделей — когда система может говорить и слушать одновременно — уже достигнуто, однако настало время ускорить и обосновать скорость рассуждений так, чтобы находки давались быстро и разговор оставался естественным. Вен подчеркнул, что задача в том, чтобы разговор с голосовым агентом не терял доверия и выглядел как решение проблемы клиента.

По словам Венa, при обслуживании клиентов голосовые агенты не должны звучать роботизированно; они должны вселять уверенность, что проблему можно решить без обращения к человеку и что первый контакт может перерасти в полноценное решение без эскалации.

Алекс Гей, маркетинг-директор встречи-нотатчика Otter, отметил, что идентификация говорящего, захват намерения и последующая расшифровка в связке с корпоративными данными — ключевые шаги на пути к автоматизации. Otter также разрабатывает цифровых двойников, которые могут представлять участников встреч; для этой технологии важно, чтобы голосовой вывод передавал такие же эмоциональные оттенки, как люди в реальном разговоре.

Публично обсуждается и вопрос прозрачности: сервисы должны сообщать участникам, что их записывают или что разговор ведётся с AI. Otter стремится вызвать доверие у людей в会议 — даже если бота на самом деле может и не быть на стороне, планируется уведомлять участников в чате о записи. Вен из PolyAI подчёркивал, что важно заявлять, что человек взаимодействует с искусственным интеллектом в корпоративных звонках; при этом остаются проблемы с точностью автоматической расшифровки и пониманием контекста, что влияет на downstream-процессы и доверие к платформе.