“语音将成为下一个重要交互界面”的理论正迅速升温。投资者正向语音 AI 初创公司投入数十亿美元，这些公司覆盖的领域从模型开发商到企业客服提供商，再到会议记录工具和 AI 驱动的语音听写产品。

几乎每周都会有新的模型或工具发布，宣称自己能像人类一样发声、像人类一样对话。不过，现实可能并非如此。企业语音 AI 平台 PolyAI 首席技术官 Shawn Wen 认为，尽管全双工模型——也就是能在倾听用户说话的同时进行回应的模型——已经发布，但语音 AI 还没有迎来自己的“ChatGPT 时刻”。

他上个月在 HumanX 大会的台上对我表示：“我们已经达成了开发全双工模型这一里程碑。下一个挑战是让推理速度变得非常快，这样模型才能迅速获取答案，让对话感觉更自然。”

他还表示，客服场景中的 AI 代理不应该听起来像机器人，而应当让来电者有足够信心，相信它们能够解决问题。

他说：“我认为下一阶段会略有不同，因为一旦语音足够好，比如客户愿意在前两三轮对话中与它互动，他们就会开始建立信心。随着时间推移，如果这个代理能解决我的问题，他们会觉得自己可能不必再和真人交谈了。”

会议记录工具 Otter 的首席营销官 Alex Gay 认为，说话人识别、意图捕捉，以及结合组织知识将这些内容整理出来，是实现自动化的关键一步。该公司也在开发可能在会议中代表用户的数字分身。对于这项技术，他表示，输出的语音必须能够像人在会议中交谈时那样传达相同的情感表达，这一点至关重要。

Gay 指出：“如果你想想自己现在参加的会议，最好的对话往往是那些可以展开辩论、进行战略讨论，而且你能感受到背后存在某种关系基础的对话。如果你无法和一个虚拟化身建立这种互动，那它就只是一个问答聊天机器人。”

语音 AI 的理解能力与透明度

尽管语音 AI 模型已经有所改进，但 AI 助手仍经常听不懂用户，或者你的会议记录工具会给出错误的转录文本或摘要。

Wen 认为，ASR（自动语音识别）模型经常会漏掉重要关键词，这会导致系统无法捕捉完整语境。

Otter 的 Gay 也认同这一点，并补充说，公司一直在持续改进转录能力。他还表示，语言本身也是语音模型需要提升的一个领域。

他说：“对 Otter 来说，转录从来都不是终点。它只是一个基础层，我们可以在其之上推动一些生产力提升。但如果最初的转录没有达到你所需要的准确度，那么后续所有动作都会出现偏差。而一旦系统开始执行错误操作，你就会失去对这个平台的信任。对我们来说，持续改进 ASR 模型至关重要，因为所有下游影响都非常显著。”

随着新语音工具不断出现，透明度也成为一个问题。工具应当向客户明确说明，他们正在被录音，或者正在与 AI 交流。Otter 表示，公司希望在参会者中建立信任，因此即便在机器人并未直接出现在会议中的情况下，它也希望尝试一些方式，比如在聊天中通知所有人会议正在被录音。PolyAI 的 Wen 也表示，在企业通话中，让人们明确知道自己是在与 AI 对话，这一点很重要。