OpenAI и Google смятат, че бъдещето на взаимодействието с изкуствения интелект ще бъде свързано не с текст, а с глас, пише Financial Times. Компаниите разработват нови гласови модели, които са способни директно да разбират и генерират реч, което прави диалозите с ИИ по-бързи и по-естествени. Този подход може да се превърне в основа за ИИ-агенти, които няма просто да отговарят на въпроси, а да изпълняват продължителни задачи — от програмиране до управление на ежедневни дейности.
Ранните гласови асистенти работеха на няколко етапа: първо преобразуваха речта в текст, след това обработваха заявката чрез езиков модел и отново превръщаха отговора в глас. Поради това възникваха закъснения, губеше се контекстът на разговора, а отговорите звучаха механично. Новите системи обработват речта директно, което позволява да се отчитат интонацията, акцентите и други особености на човешката реч.
Водещите компании в областта на изкуствения интелект отбелязват интерес към гласовия формат. От Google съобщиха, че броят на потребителите на техния гласов режим се е удвоил за една година, а разговорите с ИИ продължават средно пет пъти по-дълго, отколкото текстовите сесии.
OpenAI заяви, че гласовият режим на ChatGPT се използва седмично от над 150 млн. души. Според разработчиците гласът е особено удобен за задачи, при които човек трябва дълго да обяснява целта, ограниченията и контекста.
Новата парадигма в общуването с машинния разум
Гласовият режим може да се превърне в удобен инструмент за програмистите. Разработчиците могат да опишат по-пълно своите намерения в разговор, отколкото в кратко текстово запитване — например, да обяснят какъв проблем решават, защо е възникнала грешка и какъв резултат се изисква. В OpenAI отбелязват, че такъв подход вече помага при работата с Codex за писане на код. А инженерите на Microsoft започнаха да използват гласа за управление на задачите по програмиране в GitHub.
OpenAI и Google също усъвършенстват стила на общуване на своите модели. Google отбеляза, че потребителите свикват по-бързо с ИИ, когато моделите се държат като естествени събеседници и поддържат по-жива и спонтанна реч. OpenAI наскоро представи актуализацията ChatGPT Live, наричайки я първото голямо обновяване на гласовия модел за последните две години.
Развитието на гласовия ИИ стимулира появата на нов клас устройства. Стартъпите разработват преносими диктофони, гласови пръстени и други джаджи, които могат постоянно да приемат команди от потребителя и да си водят бележки.
Според данни на PitchBook инвестициите в компании, занимаващи се с гласов ИИ, са достигнали 7 млрд. долара през първото тримесечие на годината, спрямо по-малко от 1 млрд. долара година по-рано. При това, според медийни съобщения, OpenAI също работи върху собствено устройство с камера, микрофон и високоговорител.