Nhiều lãnh đạo công nghệ nhận định AI giọng nói vẫn chưa có bước ngoặt như ChatGPT

Hàng tỷ USD vốn đầu tư mạo hiểm đã chảy vào các công ty khởi nghiệp phát triển AI giọng nói (voice AI), từ đơn vị nghiên cứu mô hình nền tảng, nhà cung cấp giải pháp chăm sóc khách hàng doanh nghiệp cho tới các công cụ ghi chú cuộc họp tự động. Dù liên tục xuất hiện những mô hình được quảng bá có khả năng trò chuyện tự nhiên như người thật, giới chuyên gia cho rằng khoảng cách giữa trình diễn kỹ thuật và ứng dụng thực tế vẫn còn đáng kể.

Tại hội nghị HumanX, ông Shawn Wen, Giám đốc công nghệ (CTO) của nền tảng AI giọng nói doanh nghiệp PolyAI, nhận định rằng dù các mô hình song công toàn phần (full-duplex models) cho phép vừa nghe vừa nói đồng thời đã ra đời, AI giọng nói vẫn chưa chạm tới thời khắc bùng nổ mang tính bước ngoặt như ChatGPT.

Thách thức suy luận thời gian thực và trải nghiệm người dùng

Theo ông Shawn Wen, thách thức cốt lõi tiếp theo nằm ở việc tăng tốc độ suy luận (reasoning) để hệ thống trích xuất dữ liệu phản hồi tức thì, tạo cảm giác đối thoại liền mạch. Đối với các tác tử AI (AI agents) trong dịch vụ khách hàng, giọng điệu không được mang cảm giác máy móc và phải tạo dựng đủ độ tin cậy để người gọi tin rằng vấn đề của họ sẽ được giải quyết triệt để.

Ông Wen phân tích thêm rằng khi chất lượng giọng nói đủ tự nhiên và người dùng sẵn sàng tương tác qua hai hoặc ba lượt đối thoại đầu tiên, niềm tin sẽ dần hình thành. Về lâu dài, khách hàng sẽ nhận thấy họ không nhất thiết phải gặp tổng đài viên là con người nếu tác tử tự động xử lý tốt yêu cầu.

Hệ thống AI xử lý giọng nói và chuyển đổi văn bản trong cuộc họp doanh nghiệp — Độ chính xác của các mô hình nhận dạng giọng nói tự động quyết định trực tiếp đến hiệu quả xử lý tác vụ doanh nghiệp.

Đồng quan điểm về tính tự nhiên, ông Alex Gay, Giám đốc tiếp thị (CMO) của ứng dụng ghi chép cuộc họp Otter, nhấn mạnh các yếu tố nhận diện người nói, nắm bắt chủ ý và liên kết với cơ sở dữ liệu tri thức của tổ chức là điều kiện tiên quyết để tự động hóa vận hành. Otter hiện đang phát triển các bản sao kỹ thuật số (digital twins) đại diện cho người dùng trong cuộc họp, đòi hỏi giọng nói đầu ra phải biểu đạt được sắc thái cảm xúc tương tự con người, thay vì hoạt động như một chatbot hỏi đáp đơn thuần.

Nút thắt nhận dạng ngữ cảnh và yêu cầu minh bạch

Dù công nghệ có nhiều bước tiến, tình trạng trợ lý ảo không hiểu đúng lệnh hoặc công cụ ghi chép tạo bản tóm tắt sai lệch vẫn diễn ra phổ biến. Ông Shawn Wen chỉ ra rằng các mô hình nhận dạng giọng nói tự động (Automatic Speech Recognition – ASR) thường xuyên bỏ sót các từ khóa trọng yếu, dẫn đến việc đứt gãy toàn bộ ngữ cảnh hội thoại.

Đại diện Otter cũng xác nhận việc phiên âm chưa bao giờ là đích đến cuối cùng, mà chỉ đóng vai trò nền tảng để kích hoạt chuỗi tác vụ năng suất tiếp theo. Nếu tầng nhận dạng ban đầu thiếu chính xác, toàn bộ các hành động tự động hóa phía sau (downstream tasks) sẽ bị sai lệch nghiêm trọng, làm suy giảm niềm tin của người dùng vào hệ thống.

Bên cạnh rào cản kỹ thuật, tính minh bạch cũng là vấn đề cấp bách. Các doanh nghiệp phát triển công nghệ cho rằng nền tảng cần thông báo rõ ràng cho khách hàng khi cuộc gọi được ghi âm hoặc khi họ đang tương tác trực tiếp với trí tuệ nhân tạo, nhằm thiết lập chuẩn mực đạo đức và sự an tâm trong môi trường doanh nghiệp.

Nguồn: TechCrunch