A bigtech cégek arra számítanak, hogy a jövőben egyre többen beszéddel, nem pedig gépeléssel irányítják majd az AI-ügynököket. A cél, hogy ezek a rendszerek kevésbé keltsenek gépies benyomást, és inkább úgy működjenek, mint egy kolléga, aki érti a feladatot és képes követni a beszélgetés összefüggéseit.
Az új generációs hangmodellek már nem pusztán beszédből készítenek szöveget, majd felolvassák a generált választ. Közvetlenül képesek feldolgozni és létrehozni a beszédet, ami mérsékelheti a késleltetést, a természetellenes hanglejtést és a kontextus félreértelmezésének kockázatát.
A beszéd egyre természetesebb módja lehet az AI használatának
Az OpenAI szerint a hang különösen jól használható a folyamatos, oda-vissza zajló interakciók során. A vállalat hangalapú ChatGPT-termékéért felelős vezetője úgy látja, hogy a gépelés továbbra is fontos marad, ugyanakkor jóval több erőfeszítést igényel, mint egyszerűen kimondani egy kérdést vagy utasítást.
Ez különösen akkor válhat fontossá, amikor az AI-rendszerek már nem csupán rövid kérdésekre válaszolnak, hanem hosszabb és összetettebb feladatokat hajtanak végre a felhasználó helyett. Ilyen helyzetekben természetesebb lehet szóban részletesen elmagyarázni a célt, a feltételeket és az elvárt eredményt.
A felhasználói adatok már most is arra utalnak, hogy változnak a használati szokások. A Google szerint élő hangalapú AI-szolgáltatásainak használata egy év alatt megduplázódott, miközben a hangos beszélgetések átlagosan ötször hosszabbak a szöveges interakcióknál. Az OpenAI esetében pedig hetente több mint 150 millió ember használ hangalapú funkciókat vagy diktálást a ChatGPT-ben.
A programozásban is egyre nagyobb teret nyer a hangvezérlés
A hangalapú AI egyik korai felhasználási területe a szoftverfejlesztés lehet.
A technológia támogatói szerint beszéd közben az emberek hajlamosabbak részletesebben kifejteni, mit szeretnének elérni. Gépeléskor ezzel szemben gyakran már túl korán leegyszerűsítik a problémát, és rögtön egy konkrét utasításra szűkítik le a feladatot.
Az OpenAI egyik munkatársa szerint például a Codex használatakor szóban könnyebben fejti ki a feladat mögötti célt, a legfontosabb korlátokat, valamint azokat a pontokat is, amelyekben még bizonytalan.
A Microsoftnál szintén hasonló folyamatot figyelnek meg. A vállalat szerint már most is előfordul, hogy fejlesztők telefonjukról adnak hangutasításokat, miközben a GitHubon dolgoznak.
Új hardverek is épülnek a hangalapú AI köré
A technológia terjedése ugyanakkor új kihívásokat is felszínre hoz. A háttérzaj, a válaszidő, valamint az, hogy sokak számára kényelmetlen nyilvános helyen gépekhez beszélni, továbbra is komoly akadályt jelent.
Egyes technológiai startupok ezért speciális mikrofonokat és hangszigetelt irodai megoldásokat kezdenek használni annak érdekében, hogy az AI minél pontosabban különítse el a felhasználó hangját a környezeti zajoktól.
Ezzel párhuzamosan új hardvereszközök is megjelennek. Egyes vállalatok kisméretű, AI-használatra optimalizált diktafonokat fejlesztenek, míg a Sandbar olyan gyűrűt készített, amelybe a felhasználó közvetlenül belebeszélhet, és amely kizárólag a tulajdonosa hangjára reagál.
Az OpenAI is saját eszköz fejlesztésén dolgozik. A tervek szerint jövőre érkezhet egy folyamatosan jelen lévő hangalapú asszisztens, amely kamerával, mikrofonnal és hangszóróval rendelkezik.
A befektetők is komoly lehetőséget látnak a technológiában
A hangalapú AI iránt a kockázati tőke érdeklődése is egyre erősebb.
A PitchBook adatai szerint az AI-hanggal foglalkozó startupok az idei év első negyedévében 7 milliárd dollárnyi befektetést vontak be, szemben az egy évvel korábbi, valamivel 1 milliárd dollár alatti összeggel.
A technológia ugyanakkor még messze nem tekinthető kiforrottnak. A fejlesztőknek továbbra is meg kell oldaniuk a háttérzaj kezelését, javítaniuk kell a rendszerek megbízhatóságát, és biztosítaniuk kell azt is, hogy az AI megfelelő érzelmi tónusban, a beszélgetés adott helyzetéhez igazodva reagáljon.
Az iparág szereplői ennek ellenére gyors fejlődésre számítanak. Ha a hangalapú rendszerek valóban képesek lesznek természetes módon megérteni az utasításokat és hosszabb feladatokat is önállóan végrehajtani, a beszéd az AI használatának egyik elsődleges kezelési módjává válhat.
(Forrás: Financial Times)
(Borítókép: Depositphotos)
Szólj hozzá