Glasovna umjetna inteligencija još nije doživjela svoj trenutak

Investitori su u voice AI ulili milijarde, a korisnici i dalje čekaju da im se netko obrati ljudski.

Na konferenciji HumanX prošlog mjeseca dvojica čelnika iz industrije glasovne umjetne inteligencije složila su se oko neobične teze: unatoč najavama o revoluciji, glasovni modeli još nisu doživjeli svoj trenutak kakav je ChatGPT bio za tekst. Shawn Wen, tehnološki direktor platforme PolyAI, tvrdi da su full-duplex modeli — oni koji slušaju dok govore — tek prvi korak. Sljedeći je izazov brzina zaključivanja kako bi odgovor stigao dovoljno brzo da razgovor ne djeluje kao čekanje na vezi.

Zvuči poznato? Naravno da zvuči. Ista je pjesma pjevana i kod jezičnih modela: prvo gramatika, pa smisao, pa brzina, pa povjerenje. Razlika je u tome što kod glasa svaka milisekunda kašnjenja ubija iluziju razgovora. Korisnik prekine poziv nakon tri sekunde šutnje, a ne nakon tri pogrešne riječi.

Robot koji ne smije zvučati kao robot

Wen je jasan: agent u korisničkoj službi ne smije zvučati robotski i mora pozivatelju uliti dovoljno povjerenja da odustane od zahtjeva za ljudskim operaterom. Njegova logika je hladna i precizna — ako agent riješi problem u prva dva-tri kruga razgovora, korisnik će s vremenom prestati tražiti čovjeka. To nije tehnološko pitanje, to je pitanje povjerenja koje se gradi ili ruši u prvih nekoliko rečenica.

Alex Gay, marketinški direktor Ottera, alata za bilježenje sastanaka, ide korak dalje. Njegova tvrtka radi na digitalnim blizancima koji bi trebali predstavljati ljude na sastancima. Gay tvrdi da je za takvu tehnologiju presudno da glas prenosi iste emotivne nijanse kao razgovor s pravom osobom. Bez toga, kaže, dobivate samo chatbot s pitanjima i odgovorima — ništa više.

Ovdje se otvara pitanje koje izvještaj s konferencije nije postavio: kome točno treba digitalni blizanac na sastanku? Ako vodite sastanak na kojem vas zamjenjuje avatar, jeste li uopće bili na tom sastanku? I ako niste, zašto bi itko potpisao odluku donesenu u vaše ime? Automatizacija sastanaka nije samo tehnički izazov — ona mijenja odgovornost. A odgovornost se ne može delegirati na model.

Transkript koji laže ruši sve što slijedi

Oba sugovornika slažu se oko jednog uskog grla: prepoznavanje govora. Wen tvrdi da ASR modeli često promaše ključne riječi, čime se gubi cijeli kontekst. Gay dodaje da je za Otter transkripcija tek početni sloj na kojem se gradi produktivnost — ali ako je taj sloj netočan, sve što slijedi je pogrešno. Jedna krivo zapisana riječ može promijeniti odluku, a odluka donesena na krivom transkriptu ruši povjerenje u cijelu platformu.

To je stara istina prenesena u novi kontekst: smeće unutra, smeće van. Samo što sada smeće zvuči samouvjereno, glatko i uvjerljivo.

Transparentnost kao PR, ne kao praksa

Otter tvrdi da želi usaditi povjerenje sudionicima sastanka, pa čak i kada bot nije prisutan, nastoji obavijestiti sve u chatu da se sastanak snima. PolyAI tvrdi da je važno da ljudi znaju razgovaraju li s umjetnom inteligencijom. Plemenito, ali nedovoljno. Obavijest u chatu nije pristanak. Snimanje bez izričitog odobrenja svakog sudionika nije transparentnost — to je pravni rizik s pristojnom ambalažom.

I tu se vraćamo na pitanje koje industrija izbjegava: tko odgovara kada glasovni agent pogriješi? PolyAI, Otter ili tvrtka koja je agenta pustila u produkciju? Dok god je odgovor nejasan, svaka rasprava o „ljudskom“ glasu ostaje marketinški slajd.

Glasovna AI industrija hrani se istom nadom koja je pokretala svaki prethodni tehnološki val: da će sljedeća iteracija modela riješiti ono što prethodna nije. Ali povjerenje se ne trenira na podacima. Ono se gradi godinama, a ruši u jednoj pogrešnoj rečenici — bez obzira na to koliko ljudski zvučala.