Az OpenAI és a Google egyre többet fektet a hangalapú AI-rendszerekbe, mert arra számítanak, hogy a jövőben egyre többen beszéddel, nem pedig gépeléssel irányítják majd az AI-ügynököket. A cél az, hogy a rendszerek kevésbé hassanak gépiesnek, és inkább olyan benyomást keltsenek, mint egy kolléga, aki érti a feladatot és a beszélgetés összefüggéseit.
Az újabb hangmodellek már nem egyszerűen beszédből szöveget készítenek, majd a generált választ felolvassák. Közvetlenül képesek feldolgozni és előállítani a beszédet, ami csökkentheti a késleltetést, a természetellenes hanglejtést és a félreértett kontextust.
A beszéd egyre természetesebb módja lehet az AI használatának
Az OpenAI szerint a hang különösen alkalmas a folyamatos, oda-vissza zajló interakciókra. A vállalat hangalapú ChatGPT-termékéért felelős vezetője szerint a gépelés továbbra is fontos marad, de 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 feladatokat hajtanak végre a felhasználó helyett. Ilyenkor természetesebb lehet szóban elmagyarázni a célt, a feltételeket és az elvárt eredményt.
A felhasználói adatok már most is változó szokásokat jeleznek. A Google szerint élő hangalapú AI-szolgáltatásainak használata egy év alatt megduplázódott, miközben a hangos beszélgetések átlagosan ötször hosszabbak a szöveges interakcióknál. Az OpenAI-nál hetente több mint 150 millió ember használ hangalapú funkciókat vagy diktálást a ChatGPT-ben.
A programozásban is terjed a hangvezérlés
A hangalapú AI egyik korai felhasználási területe a szoftverfejlesztés lehet.
A támogatói szerint beszéd közben az emberek hajlamosak részletesebben elmagyarázni, mit szeretnének elérni. Gépeléskor ezzel szemben sokszor túl korán leegyszerűsítik a problémát, és rögtön egy konkrét utasítást fogalmaznak meg.
Az OpenAI egyik munkatársa szerint például a Codex használatakor beszédben könnyebben fejti ki a feladat mögötti célt, a fontos korlátokat és azokat a pontokat is, amelyekben még bizonytalan.
A Microsoftnál is hasonló trendet látnak: a vállalat szerint már most előfordul, hogy fejlesztők hangutasításokat adnak telefonjukon, miközben a GitHubon dolgoznak.
Új hardverek is épülnek a hangalapú AI köré
A terjedés ugyanakkor új problémákat is felszínre hoz. A háttérzaj, a válaszidő és az, hogy nyilvános helyen sokak számára kényelmetlen gépekhez beszélni, továbbra is komoly akadály.
Egyes technológiai startupok ezért már külön mikrofonokat és hangszigetelt irodai megoldásokat használnak, hogy az AI ne keverje össze a felhasználó hangját a környezeti zajokkal.
Közben új hardvereszközök is megjelennek. Egyes vállalatok kis kézi diktafonokat fejlesztenek AI-használatra, míg a Sandbar egy olyan gyűrűt készített, amelybe a felhasználó belebeszélhet, és amely kizárólag a tulajdonosa hangjára reagál.
Az OpenAI is saját eszközön dolgozik: a tervek szerint jövőre érkezhet egy folyamatosan jelen lévő hangalapú asszisztens, kamerával, mikrofonnal és hangszóróval.
A befektetők is nagy lehetőséget látnak benne
A hangalapú AI iránt a kockázati tőke is egyre nagyobb érdeklődést mutat.
A PitchBook adatai szerint az AI-hanggal foglalkozó startupok az idei év első negyedévében 7 milliárd dollárnyi befektetést kaptak, szemben az egy évvel korábbi, valamivel 1 milliárd dollár alatti összeggel.
A technológia azonban még nem kiforrott. A fejlesztőknek továbbra is meg kell oldaniuk a háttérzaj kezelését, a megbízhatóságot és azt, hogy az AI megfelelő érzelmi tónusban, a beszélgetés helyzetéhez illeszkedve válaszoljon.
Az iparág szereplői ennek ellenére arra számítanak, hogy a fejlődés gyors lesz. Ha a hangalapú rendszerek valóban képesek lesznek természetesen megérteni az utasításokat és hosszabb feladatokat végrehajtani, a beszéd az AI egyik elsődleges kezelési módjává válhat.
(Címlapkép: Depositphotos)
