شاون ون (Shawn Wen) در PolyAI ماه گذشته اشاره کرد که هوش مصنوعی صوتی با جذب میلیاردها دلار سرمایه، در مسیر تبدیل شدن به رابط کاربری آینده پیش می‌رود، هرچند هنوز به نقطه عطفی مثل ChatGPT نرسیده است. رسیدن به یک انقلاب واقعی در تجربه کاربری، به حل چالش‌های سرعت استدلال و جلب اعتماد عاطفی کاربران وابسته است.
این فناوری حالا از ابزارهای ساده تبدیل گفتار به متن عبور کرده و به سمت ایجنت‌های خودمختار می‌رود. برای اینکه این سیستم‌ها بتوانند جایگزینی واقعی برای ارتباطات انسانی باشند، باید بتوانند بدون وقفه و با لحنی طبیعی، نیاز کاربر را تشخیص دهند.
سؤالات متداول
مدلهای full-duplex در هوش مصنوعی صوتی چه کاربردی دارند؟
این مدلها به هوش مصنوعی این امکان را میدهند که همزمان با شنیدن صدای کاربر صحبت کند؛ یعنی فاصله بین دریافت ورودی و تولید خروجی را به کمترین حد می‌رساند تا گفتگو طبیعیتر شود. هر اشتباه در تبدیل گفتار به متن (Transcription) می‌تواند بافت گفتگو را به‌هم بریزد و اعتماد کاربر را به کل پلتفرم خدشه‌دار کند.
چرا دقت ASR برای شرکتهایی مانند Otter حیاتی است؟
هدف نهایی شرکت Otter از توسعه تبدیل گفتار به متن چیست؟
برای این شرکت، تبدیل گفتار به متن هدف نهایی نیست، بلکه لایهای زیربنایی است تا با استفاده از دادههای استخراجشده، بهرهوری محیطهای کاری را بالا ببرد.
