Гласовните технологии бележат голем интерес, од системи за корисничка поддршка до алатки за белешки од состаноци и диктирање. И покрај сè поприродниот звук и можноста системите истовремено да слушаат и да одговараат, нивниот развој сè уште не достигнал пресвртна точка што би ја направила употребата навистина масовна и безрезервно прифатена.
Според Шон Вен, технички директор на платформата PolyAI, значаен чекор е развојот на модели што можат да зборуваат додека го следат соговорникот. Следниот голем предизвик, сепак, е многу побрзото обработување на информациите. За разговорот да изгледа природно, системот треба веднаш да пронајде релевантен одговор, без паузи што би ја нарушиле комуникацијата.
Тоа е особено важно во корисничката поддршка. Вен смета дека гласовниот агент не смее да остава роботски впечаток и треба уште во првите неколку размени да покаже дека може да го реши проблемот. Доколку корисникот стекне доверба во тие почетни моменти, поверојатно е да продолжи со автоматизираната услуга наместо да бара човечки оператор.
Кај платформите за состаноци, предизвикот не е само препознавањето на изговорените зборови. Алекс Геј, маркетинг директор во Otter, посочува дека важни се идентификацијата на говорниците, разбирањето на намерата и поврзувањето на белешките со знаењето на организацијата. Таквата основа би овозможила повеќе автоматизирани активности по состанокот.
Otter работи и на дигитални двојници што би можеле да претставуваат луѓе во состаноци. За тоа да има практична вредност, гласот треба да пренесува емоционални нијанси слични на разговор меѓу луѓе. Без чувство на однос, дебата и природна размена на ставови, ваквата комуникација би останала ограничена на едноставни прашања и одговори.
Точноста на транскрипцијата останува основен проблем. Вен предупредува дека системите за автоматско препознавање говор можат да пропуштат важни клучни зборови, со што се губи контекстот. Геј додава дека грешките во почетниот запис се пренесуваат во сите следни задачи и можат брзо да ја нарушат довербата.
Компаниите истовремено ја нагласуваат транспарентноста. Луѓето треба да знаат кога разговорот се снима или кога комуницираат со автоматизиран гласовен систем, особено во деловни повици и состаноци.