Esses executivos acham que a IA de voz ainda não chegou ao seu momento ChatGPT
A teoria de que a voz será a próxima grande interface ganhou forte impulso, com investidores injetando bilhões de dólares em startups de IA de voz que trabalham em áreas que vão desde criadores de modelos até provedores de atendimento ao cliente corporativo, e de assistentes de anotação de reuniões a ditado impulsionado por IA.
Toda semana há um novo modelo ou lançamento de ferramenta que afirma soar humano e conversar como tal. No entanto, na realidade, esse pode não ser o caso. Shawn Wen, CTO da PolyAI, plataforma de IA de voz corporativa, acha que, apesar do lançamento de modelos full-duplex — que conseguem falar enquanto ouvem você —, a IA de voz ainda não teve o seu “momento ChatGPT”.
“Alcançamos o marco de desenvolver modelos full-duplex. O próximo desafio é tornar o raciocínio muito rápido, para que os modelos possam buscar respostas rapidamente e a conversa pareça natural”, disse ele no palco da conferência HumanX no mês passado.
Ele também afirmou que os agentes de IA no atendimento ao cliente não devem soar robóticos e devem dar aos clientes confiança suficiente de que podem resolver problemas.
“Acho que a próxima etapa será ligeiramente diferente porque, uma vez que a voz seja boa o suficiente e o cliente esteja disposto a interagir com eles nas duas ou três primeiras rodadas, eles começam a criar confiança e, com o tempo, sentem que provavelmente não precisam falar com um humano se o agente puder resolver meu problema”, disse ele.
Alex Gay, CMO do aplicativo de anotações de reuniões Otter, opinou que a identificação de falantes, a captura de intenções e a vinculação disso ao conhecimento organizacional são passos fundamentais para viabilizar a automação. A empresa também está trabalhando em gêmeos digitais que podem representar pessoas em reuniões. Para essa tecnologia, ele disse ser primordial que a voz gerada transmita as mesmas expressões emotivas de conversar com um humano em uma reunião.
“Se você pensar nas reuniões de que participa agora, as melhores conversas que você tem são aquelas em que pode haver debates e discussões estratégicas, e quando você sente que há um relacionamento por trás disso. Se você não consegue ter isso com um avatar, então é apenas um chatbot de perguntas e respostas”, observou Gay.
Embora os modelos de IA de voz tenham melhorado, os assistentes de IA muitas vezes não entendem os usuários, ou o seu anotador de reuniões exibe uma transcrição ou um resumo incorreto.
Wen acha que os modelos de ASR (Reconhecimento Automático de Fala) frequentemente perdem palavras-chave importantes, o que cria um problema na captura do contexto completo.
Gay, da Otter, concordou com isso, acrescentando que a empresa continua trabalhando para melhorar a transcrição. Ele também disse que o idioma é uma área em que os modelos de voz precisam melhorar.
“Para a Otter, você sabe, a transcrição nunca foi o ponto final. Era apenas a camada sobre a qual podíamos começar a gerar alguns ganhos de produtividade. Mas se a sua transcrição original não tiver a precisão necessária, todas as ações subsequentes que você realizar tornam-se falhas. E no minuto em que isso começa a tomar uma ação incorreta, você perde a confiança na plataforma. É fundamental para nós continuar a aprimorar esse modelo de ASR, porque todos os impactos subsequentes são significativos”, afirmou ele.
Com as novas ferramentas de voz, surge também uma questão de transparência. As ferramentas devem declarar aos clientes que eles estão sendo gravados ou falando com uma IA. A Otter afirmou que deseja inspirar confiança nas pessoas que participam de uma reunião, portanto, mesmo para uma reunião em que o bot não esteja presente, ela quer tentar métodos como notificar todos no chat de que a reunião está sendo gravada. Wen, da PolyAI, também disse que é importante deixar claro que as pessoas estão conversando com uma IA em chamadas corporativas.
