据TechRadar报道，语音AI代理市场预计将从2024年的24亿美元增至2034年的475亿美元，Gartner预测到2028年，70%的客服旅程将从对话式AI界面开始。Konecta集团首席技术官在文中指出，全球品牌在扩大语音AI部署时，应把本地化视为核心性能测试，而不是开发末端的翻译工作。
文章称，语音AI对全球品牌的吸引力在于，它有望跨市场、跨语言和跨时区提供一致且可扩展的客户支持。但风险在于，语音AI可能重演外包客服中心的问题：语言和文化差异会在品牌与客户之间造成脱节与挫败感。随着技术进步，语言本身或许不再是主要障碍，但会说同一种语言并不等于理解对方。客户会带入口音、习惯和文化预期，并希望支持方式反映其现实。
文章以苏格兰英语为例：客户可能说“aye”而不是“yes”，用“wee”表示小，用“getting the messages”表示去购物。语言仍是英语，但理解这类互动需要熟悉当地用法。文化对直接或礼貌的预期也不同，称呼方式就是一个例子。在一些文化中，使用头衔和姓氏是尊重，在另一些文化中直呼其名才是常态。语音代理过于随意会显得冒犯，过于正式则可能显得疏远或不自然。文章认为，这些不是表面细节，它们影响AI代理理解意图并恰当回应的能力，最终决定客户是否信任这种体验。
文章称，AI语音已有明显进展。ElevenLabs基于AI生成声音建立业务，不仅复制语音，还能复现节奏、语调和情绪，使声音听起来像人。其技术覆盖声音克隆、多语言语音和对话代理，帮助合成语音从新奇事物变成企业可规模化部署的工具。早期像“Microsoft Sam”这样的数字声音一听就是机器，如今界线越来越难分辨。语音AI越逼真，互动就越像与人交流。文章还提到，包括马修·麦康纳在内的演员也在支持AI语音技术，该技术可在不要求演员改变声音的情况下匹配其表演，显示声音和对话线索对塑造感知的作用。
但文章指出，最先进的体验并非普遍可用，许多人仍可能接触到不成熟的AI声音。人类很擅长察觉细微不对劲，这会带来“恐怖谷”效应。不自然的停顿、错误的强调或异常热情的反应，都会迅速打破幻觉。本地语境又增加一层难度：一个声音可以听起来完全像人，却在文化上不合时宜。AI越接近人类语音，这类时刻可能越显眼。
文章认为，全球品牌不能把语音AI当作一个可以在所有地方滚动的单一产品。前沿模型可以提供基础，但其表现需要针对本地数据和真实客户互动进行测试，以捕捉本地市场中的“好”意味着什么：能够缓和沮丧客户情绪的共情、市场实际使用的特定术语、听起来自然的语调。文章最后称，这些不能仅靠前沿模型推断出来。