為什麼語音 AI 至今仍未迎來其定義性的 ChatGPT 時刻

目錄

• 你可能會想知道
• 為什麼語音 AI 尚未迎來其定義性的時刻
• 重點見解表
• 接下來……

你可能會想知道

• 語音 AI 還需要什麼，才能讓對話真正自然又實用？
• 當 AI 系統錄音、轉錄或回應人們時，企業該如何建立信任？

為什麼語音 AI 尚未迎來其定義性的時刻

語音日益被視為與科技互動的新一代介面。這個構想吸引了大量關注與投資，數十億美元流入語音 AI 生態系中的新創公司。這些公司投入的領域五花八門，從基礎模型、企業客戶服務系統，到會議紀錄工具與 AI 驅動的聽寫工具都有。各式各樣的產品顯示，語音可能成為人們取得資訊及自動化工作的常見方式。

新模型與工具不斷推出，往往宣稱能生成聽起來像真人的語音，並進行自然的對話。然而，令人印象深刻的展示不一定代表語音 AI 已準備好可靠地融入日常使用。儘管技術快速進步，業界領袖表示，這項技術尚未迎來可與 ChatGPT 問世相提並論的突破。差距不只在於系統聽起來如何，也在於它推理的速度、理解人們的準確度，以及使用者是否信任它採取行動。

企業語音 AI 平台 PolyAI 的技術長 Shawn Wen 表示，全雙工模型的發展是一項重要里程碑。這類系統可以同時聆聽與說話，讓交流更加連貫，不必像某些系統一樣等對方說完才回應。但同時聆聽與說話只是挑戰的一部分。Wen 認為，模型還必須具備足夠快的推理能力，才能迅速找出答案，避免令人尷尬的延遲。如果系統無法迅速且恰當地回應，光是聲音自然還不夠。

對話速度很重要，因為人們會整體評價一次互動。明顯的停頓、無關的回答或反覆的誤解，都會讓系統顯得機械化，即使它的語音聽起來很流暢也是如此。對客戶服務應用而言，利害關係尤其明顯：來電者想要的是解決問題，而不只是聽到令人愉悅的聲音表示理解。Wen 表示，AI 代理應避免聽起來像機器人，並讓來電者有足夠信心相信它們能處理問題。

這種信心可能會在對話過程中逐漸建立。Wen 描述了一種可能的發展：如果客戶願意先與 AI 代理互動兩或三輪，而系統也提供了有用的協助，客戶或許會更願意繼續對話。久而久之，人們可能會認為，只要代理能解決問題，就不必再與真人交談。這種可能性取決於系統展現出的能力，而非只有語音品質。聽起來令人信服、卻無法真正解決問題的系統，非但無法建立信心，反而可能削弱信任。

會議助理面臨相關但又有所不同的挑戰。會議紀錄工具 Otter 的行銷長 Alex Gay 指出，辨識發言者、掌握意圖，以及將會議內容與組織知識連結起來，都是邁向實用自動化的重要步驟。系統必須辨認誰說了什麼、理解與會者的意思，並保留足夠脈絡，以便製作準確的紀錄或進行後續工作。任何一個環節出錯，產出的內容都可能不完整或造成誤導。

Otter 也正在開發能代表人們參與會議的數位分身。Gay 表示，對這類技術而言，語音必須傳達出與真人交談時相同的情感特質。人類會議並非只是由一連串問答組成，其中可能包含意見分歧、策略討論、共同脈絡，以及影響人們表達和理解想法的人際關係。Gay 提醒，如果缺乏這些特質，虛擬形象就可能淪為問答聊天機器人。

這項差異有助於說明，為合成語音增添更逼真的效果，並不會自動造出有意義的對話夥伴。要讓互動令人信服，除了文字之外，也必須留意社交線索。系統需要回應與會者想達成的目標、保留相關脈絡，並支援符合情境的交流。對數位會議代表而言，重現富有表情的語音或許有助於營造這種體驗，但無法取代理解討論內容與互動動態的能力。

準確度仍是另一項根本障礙。語音助理可能誤解使用者，而會議紀錄工具可能產生錯誤的逐字稿或摘要。Wen 表示，自動語音辨識（ASR）系統可能會漏掉重要關鍵字。遺漏關鍵詞後，系統也可能失去解讀請求或記錄決策所需的部分脈絡。錯誤接著可能一路傳遞，影響摘要、建議與自動化後續任務。

Gay 認同轉錄品質的重要性，並表示 Otter 持續努力改善這方面的表現。他強調，轉錄並非產品的最終目標，而是生產力功能的基礎。如果原始逐字稿不準確，後續依據它採取的行動也可能出錯。AI 工具一旦根據有誤的紀錄採取行動，使用者就可能失去對平台的信心。因此，可靠的語音辨識是值得信賴的自動化之前提，而不只是用來產生易讀會議紀錄的功能。

語言理解也是語音模型需要改進的另一個領域。真實對話包含模糊之處、專業術語、未完整表達的想法，以及對先前討論的指涉。模型必須理解句子的字面聲音以外的內容，才能做出有用的回應。在組織環境中，它可能還需要將口頭請求連結到內部知識，同時避免混淆相似的名稱、概念或任務。系統後續採取的行動越重要，就越需要從一開始便準確保留原意。

透明度也會影響人們是否願意使用語音 AI。人們應該知道對話何時正在錄音，以及自己何時是在與 AI 系統交談。在會議中，與會者不一定知道有紀錄機器人加入，或會議正在錄音。Otter 表示，希望在與會者之間建立信任，並正考慮採取一些做法，例如在聊天中通知所有人會議正在錄音，包括機器人未出席的情況。PolyAI 的 Wen 同樣強調，在企業通話中明確告知來電者正在與 AI 交談十分重要。

揭露資訊並非單純的技術細節。這能讓人們更清楚了解互動情況，也有助於建立對語音可能如何使用的合理預期。清楚的通知還能降低以下風險：有人把自動化回覆誤認為真人承諾，或在對話正在錄音時誤以為內容是私密的。客戶服務通話與職場會議採用的具體方式或許不同，但背後的原則一致：使用者不應需要猜測是否有 AI 參與。

綜合來看，這些疑慮指向更廣泛的進步定義。語音 AI 需要自然的語音，也需要快速推理、準確辨識、依據脈絡回應，以及透明的作法。在客戶服務中，成功代表妥善解決來電者的問題，讓他們持續信任系統。在會議中，則代表保留讓討論富有成效的內容與人際關係。在這兩種情境中，流暢的聲音可以吸引人們參與，但可靠的表現才能維繫這種參與。

因此，這個產業目前的發展階段，重點不在某一項單一功能，而在於讓多項能力共同可靠運作。全雙工對話能讓互動更加流暢，而改進自動語音辨識則能強化模型使用的資訊。更好的語言理解有助於系統詮釋意圖，審慎的資訊揭露則有助於建立信任。語音 AI 的決定性時刻，取決於這些環節能否整合為人們認為實用且值得信賴的對話。

重點見解表

接下來……

語音 AI 正在進步，但它的決定性突破不只取決於語音是否像真人。下一階段需要系統準確理解、迅速回應、保留對話脈絡，並清楚說明 AI 與錄音的使用情況。隨著這些能力共同提升，語音工具或許能更實際地應用於客戶服務與職場協作。在此之前，審慎評估時不應只看系統聽起來多自然，還要確認它是否理解人們、可靠地完成任務，並贏得他們的信任。