TechCrunch AI 10月11日报道，尽管投资者正将数十亿美元投入语音AI初创公司，企业语音AI平台PolyAI首席技术官Shawn Wen等业内人士认为，语音AI尚未迎来自己的“ChatGPT时刻”。

报道称，这笔投资覆盖模型开发商、企业客服服务商、会议记录工具和AI听写等方向。每周都有新模型或工具发布，宣称能像人一样说话和对话，但现实表现未必如此。Shawn Wen在HumanX会议上表示，行业已经达到开发全双工模型的里程碑，这类模型可以一边聆听一边说话；下一个挑战是让推理非常快，使模型能迅速取回答案，让对话显得自然。

Wen还说，客服场景中的AI代理不应听起来像机器人，并应让来电者对其解决问题有足够信心。他认为，一旦语音足够好，客户愿意在前两三轮互动中与AI代理交流，就会开始建立信心；随着时间推移，他们会觉得如果代理能解决问题，或许不必再找人类。

会议记录工具Otter首席营销官Alex Gay认为，说话人识别、意图捕捉，并结合组织知识整理成文字，是实现自动化的关键步骤。Otter也在开发数字孪生，这种技术可能代表人们参加会议。Gay说，对这项技术而言，输出语音必须像在会议上与真人交谈一样传达相同的情感表达。他提到，最好的对话可以包含辩论和战略讨论，并让人感到有某种关系作为支撑；如果与虚拟形象无法做到这一点，那就只是问答聊天机器人。

在理解层面，语音AI模型虽有改进，但AI助手经常无法理解用户，会议记录工具也可能给出错误转录或摘要。Wen认为，自动语音识别模型经常漏掉重要关键词，从而影响捕捉完整语境。Gay对此表示认同，并称Otter持续改进转录。他说，对Otter而言，转录从来不是终点，只是开始推动生产力提升的基础层；如果原始转录没有所需准确度，所有后续行动都会存在缺陷，一旦开始执行就可能出错，用户会失去对平台的信任。因此继续改进自动语音识别模型至关重要，因为下游影响很大。

透明度也是新语音工具面临的问题。报道称，工具应当告知客户正在被录音或正在与AI交谈。Otter表示，它希望让会议中的人建立信任，因此即使机器人不在场的会议，也尝试在聊天中通知所有人会议正在录音。PolyAI的Wen也说，在企业通话中确立人们正在与AI交谈很重要。