语音将成为下一代主流交互界面的观点势头正盛。投资者向语音AI初创企业投入数十亿美元，赛道涵盖模型研发商、企业客服服务商、会议纪要工具以及AI语音听写产品。
几乎每周都有新模型或新工具发布，宣称能够以假乱真、像真人一样对话。但实际情况或许并非如此。企业级语音AI平台PolyAI的首席技术官Shawn Wen认为，尽管已经推出可边听边说的全双工模型，语音AI仍未迎来属于自己的“ChatGPT时刻”。
他在上月HumanX大会上表示：“我们已经实现了全双工模型这一里程碑。下一项挑战是实现极速推理，让模型能够快速给出应答，使对话体验更加自然。”
他还提到，客服场景下的AI智能体不应听起来机械生硬，要让来电用户相信它有能力解决问题。
他表示：“我认为下一阶段的发展会有所不同。一旦语音效果足够逼真，用户愿意完成前两三轮对话交互，就会逐步建立信任。久而久之，如果智能体能够解决问题，用户会觉得或许没必要转接人工客服。”
会议纪要工具Otter的首席营销官Alex Gay认为，说话人识别、意图捕捉，并结合企业内部知识整理输出内容，是实现自动化的关键一步。该公司也在研发可在会议中代表参会者的数字孪生技术。他指出，这项技术最核心的要求是：合成语音能够传递情绪，和真人开会交谈的感受保持一致。
Gay提到：“想想你现在参与的各类会议，高质量的对话可以展开辩论、进行战略研讨，对话背后存在人与人之间的联结。如果虚拟形象做不到这一点，那它就只是一个问答聊天机器人。”
尽管语音AI模型性能持续提升，但AI助手常常无法理解用户意图；会议纪要工具也会输出错误的文本转写稿或摘要。
Wen认为，自动语音识别（ASR）模型经常遗漏关键关键词，导致无法完整捕捉上下文信息。Otter的Gay对此表示认同，他补充道，公司一直在持续优化转写效果。他同时提到，语言理解是语音模型仍需改进的方向之一。
他表示：“对Otter而言，语音转写从来不是最终目标，它只是基础层，我们在此之上实现效率提升。但如果原始转写达不到所需精度，后续所有衍生操作都会存在缺陷。一旦基于错误内容执行操作，用户就会失去对平台的信任。持续优化ASR模型对我们至关重要，因为它对下游所有环节都会产生巨大影响。”
各类新型语音工具还存在可解释性与信息透明的问题。工具应当告知用户：对话正在被录音，或是正在与AI进行交互。Otter方面称，希望建立参会人员的信任感，即便会议没有AI机器人在场，也会采用在聊天栏全员通知等方式，告知所有人会议正在录制。PolyAI的Wen同样提到，在企业客服通话中，必须明确告知对方正在和AI对话。
