Die Technologie der Sprach-KI (Voice AI) hat in den letzten Jahren erheblich an Aufmerksamkeit und Investitionen gewonnen, wobei Milliarden von Dollar in Startups fließen, die sich mit Modellentwicklung, Kundenservice-Lösungen, Meeting-Notizen und KI-gestützter Diktation befassen. Trotz regelmäßiger Veröffentlichungen neuer Modelle, die menschlich klingen und konversieren sollen, sehen Branchenexperten die Sprach-KI noch nicht an ihrem „ChatGPT-Moment“ angelangt.
Herausforderungen bei Kontext und Gesprächsfluss
Shawn Wen, CTO der Enterprise Voice AI-Plattform PolyAI, betont, dass Voice AI trotz der Entwicklung von Full-Duplex-Modellen – die gleichzeitig sprechen und zuhören können – noch wesentliche Hürden überwinden muss. Die Hauptaufgabe bestehe darin, die Argumentationsfähigkeit der Modelle zu beschleunigen, damit sie schnell Antworten abrufen und eine natürliche Konversation ermöglichen. Im Kundenservice sollten KI-Agenten zudem nicht robotisch klingen und Anrufern ausreichend Vertrauen vermitteln, dass ihre Probleme gelöst werden können. Wen ist überzeugt, dass Kunden, sobald die Sprachqualität gut genug ist und die Interaktion in den ersten Gesprächsrunden Vertrauen aufbaut, bereit sein werden, auf menschliche Ansprechpartner zu verzichten, wenn die KI ihre Anliegen effektiv bearbeiten kann.
Ein zentrales Problem liegt laut Wen in der automatischen Spracherkennung (ASR). ASR-Modelle übersehen oft wichtige Schlüsselwörter, was die Erfassung des gesamten Kontextes erschwert und die Verarbeitungskette unterbrechen kann.
Die Bedeutung präziser Transkription und emotionaler Ausdrucksfähigkeit
Alex Gay, CMO des Meeting-Notizen-Dienstes Otter, stimmt der Bedeutung der Kontextualisierung zu. Er identifiziert die Sprecheridentifikation, die genaue Erfassung der Gesprächsabsicht und die Verknüpfung mit organisatorischem Wissen als entscheidende Schritte zur Automatisierung. Otter arbeitet kontinuierlich an der Verbesserung der Transkription, da diese die Grundlage für alle weiteren Produktivitätsgewinne bildet. Gay erklärt, dass fehlerhafte Ausgangstranskriptionen alle nachfolgenden Aktionen beeinträchtigen und das Vertrauen in die Plattform untergraben. Die Verbesserung der ASR-Modelle sei daher von kritischer Bedeutung, da alle nachgelagerten Effekte signifikant sind.
Für Technologien wie „digitale Zwillinge“, die Personen in Meetings repräsentieren könnten, sei es zudem entscheidend, dass die ausgegebene Stimme die gleichen emotionalen Ausdrucksformen wie ein menschlicher Gesprächspartner in einem Meeting aufweist. Ohne die Fähigkeit zu Debatten und strategischen Diskussionen mit einer emotionalen Ebene blieben diese Avatare lediglich einfache Frage-Antwort-Chatbots, so Gay.
Transparenz bei KI-Interaktionen
Ein weiterer wichtiger Aspekt ist die Transparenz im Umgang mit neuen Sprach-KI-Tools. Unternehmen sollten ihren Kunden klar mitteilen, wenn Gespräche aufgezeichnet werden oder wenn sie mit einer KI interagieren. Otter setzt darauf, das Vertrauen der Meeting-Teilnehmer zu stärken, indem alle Beteiligten im Chat darüber informiert werden, dass ein Meeting aufgezeichnet wird – auch wenn kein Bot physisch anwesend ist. Auch Shawn Wen von PolyAI betont, wie wichtig es ist, in Unternehmensanrufen deutlich zu machen, dass die Gesprächspartner mit einer KI sprechen.
Thema: ChatGPT. Quelle/Inspiration: TechCrunch.