語音做 AI 接口呢個論點，近年拿到幾十億美元資金，由模型公司到企業客服、會議紀錄到語音速記，嗰邊都有錢入。每星期都有新模型聲稱「同真人講嘢冇分別」。但做呢啲嘢嘅人自己，都話距離一個真正好用嘅「ChatGPT 時刻」仲有距離。
企業語音 AI 平台 PolyAI 嘅 CTO Shawn Wen 上月喺 HumanX 大會台上講，即使全雙工（full-duplex，即模型可以邊聽邊講）模型已經做出，下一個挑戰係推理速度要夠快，令對話先會自然。
「我哋已經做到全雙工模型。下一步係推理要夠快，令模型可以快啲揾答案，對話先自然。」Wen 指客服 AI agent 唔好聽落機械，要俾足夠信心俾通話者相信佢解決到問題。佢話過第一兩三輪對話後，用户會慢慢建立信心，到最後會覺得唔使轉真人。
Otter 嘅 CMO Alex Gay 講，講者識別（speaker identification）、意圖捕捉（intent capture）同同組織知識結合，係實現自動化嘅關鍵。公司亦正在開發 digital twins，代表人喺會議入面。佢強調，如果 avatar 冇辦法同真人做辯論、策略討論，又冇情感表達，「就只係一個 Q&A chatbot」。
聽唔明同錯譯，係根本問題
Wen 指 ASR（Automatic Speech Recognition，自動語音辨識）模型經常漏掉關鍵詞，影響整段嘅語境捕捉。Gay 補充，Otter 一直改進轉寫準確率，並指語言處理係語音模型仍需改進嘅領域。
「對 Otter 嚟講，轉寫從來唔係終點，只係一層可以推動生產力嘅基礎。但如果原始轉寫準確度唔夠，後面所有跟進動作都會出錯，信任就冇咗。」Gay 話。
另外，透明度都係問題。新語音工具應向用户聲明有冇喺錄製、係咪同 AI 對話。Otter 話想俾信任喺會議出席者，即使 bot 唔喺度都會通知所有人會議正被錄製。
阿調搞兩下：幾十億美金入咗呢個市，但做嘢嘅自己話「仲未夠好」。最搞笑嘅係，最基礎嘅聽寫都未搞掂，上面架層「聽人講嘢」「代表人開會」全部係空中樓層。先搞掂聽，先講其他。
阿調｜深度調教
