IA de voz ainda não teve seu momento ChatGPT, dizem executivos

Investidores despejaram bilhões de dólares em startups de IA de voz, que vão de desenvolvedoras de modelos a ferramentas de atendimento ao cliente para empresas, transcritores de reuniões e ditado por IA. Novos modelos e ferramentas que afirmam falar como humanos surgem semanalmente. Mas, segundo dois executivos que falaram no palco da conferência HumanX no mês passado, a tecnologia ainda não chegou ao tipo de marco de adoção em massa que o ChatGPT representou para a IA baseada em texto.

Shawn Wen, diretor de tecnologia (CTO) da PolyAI, plataforma empresarial de IA de voz, disse que o setor já superou um obstáculo: modelos full-duplex, capazes de falar enquanto escutam quem está ligando. O próximo desafio, segundo ele, é tornar o raciocínio subjacente rápido o suficiente para que as conversas pareçam naturais. “Chegamos ao marco de desenvolver modelos full-duplex. O próximo desafio é tornar o raciocínio muito rápido, para que os modelos possam buscar respostas rapidamente e a conversa pareça natural”, disse Wen. Ele acrescentou que os agentes de atendimento ao cliente construídos sobre esses modelos precisam parecer confiantes, não robóticos: segundo Wen, depois que quem liga interage com um agente por seus primeiros dois ou três turnos de conversa, essa pessoa tende a desenvolver confiança suficiente para parar de esperar falar com um humano.

Alex Gay, diretor de marketing da Otter, empresa de transcrição de reuniões, apontou um conjunto diferente de lacunas: identificação de quem fala, captura de intenção e conexão desses dados com o conhecimento organizacional. A Otter também está trabalhando em gêmeos digitais que poderiam representar pessoas em reuniões, o que, segundo Gay, exige que a voz gerada carregue a mesma amplitude emotiva de uma pessoa real; caso contrário, segundo ele, um avatar em uma reunião se torna pouco mais que um chatbot de perguntas e respostas, incapaz do debate e da discussão estratégica que marcam as melhores reuniões.

Os dois executivos concordaram que a precisão do reconhecimento de fala ainda é um ponto fraco. Wen disse que os sistemas de reconhecimento automático de fala (ASR) frequentemente deixam passar palavras-chave importantes, o que rompe o contexto mais amplo de uma conversa. Gay disse que a Otter continua aperfeiçoando seu próprio modelo de ASR pelo mesmo motivo: uma transcrição imprecisa corrompe cada ação posterior que um usuário realiza com base nela, o que erode a confiança na plataforma.

Sobre transparência, os dois executivos disseram que as ferramentas de voz devem informar quando uma conversa está sendo gravada ou tratada por IA. A Otter disse que quer avisar a todos em um chat quando uma reunião está sendo gravada, mesmo quando seu próprio bot não está presente, e a PolyAI disse que estabelecer que quem liga para uma empresa está falando com uma IA é uma prioridade.

Por que importa

A lacuna que esses executivos descrevem — entre o forte entusiasmo dos investidores e a velocidade de raciocínio e a precisão de transcrição da IA de voz, ainda não resolvidas — sugere que compradores corporativos devem esperar mais iterações antes que interfaces de voz possam substituir agentes humanos de forma confiável.