Η τεχνητή νοημοσύνη στρέφεται μαζικά προς τη φωνητική επικοινωνία, καθώς οι εταιρείες τεχνολογίας ποντάρουν στο ότι η ομιλία θα αντικαταστήσει σταδιακά το πληκτρολόγιο και θα γίνει ο βασικός τρόπος επαφής με τις συσκευές. Καθώς οι αλγόριθμοι εξελίσσονται με ιλιγγιώδη ταχύτητα, ο τρόπος με τον οποίο επικοινωνούμε με τις μηχανές αλλάζει, με τους τεχνολογικούς γίγαντες, όπως η OpenAI και η Google, να διοχετεύουν ήδη δισεκατομμύρια δολάρια στην ανάπτυξη προηγμένων φωνητικών συστημάτων.
Τα νέα προϊόντα που κυκλοφορούν συνιστούν μια σημαντική τομή σε σχέση με τους παλαιότερους φωνητικούς βοηθούς, που μετέτρεπαν την ομιλία σε κείμενο, παρήγαν μια απάντηση και στη συνέχεια την εκφωνούσαν. Τα νεότερα μοντέλα μπορούν να επεξεργάζονται και να παράγουν ομιλία απευθείας, μειώνοντας τις καθυστερήσεις, το συχνά άβολο ύφος και τα χαμένα συμφραζόμενα, που έκαναν τα παλαιότερα προϊόντα να μοιάζουν μηχανικά.
OpenAI και Google διοχετεύουν ήδη δισεκατομμύρια δολάρια στην ανάπτυξη προηγμένων συστημάτων φωνητικής τεχνητής νοημοσύνης.
«Η OpenAI και η Google ενημέρωσαν πρόσφατα τις φωνητικές τους υπηρεσίες, ώστε η τεχνητή νοημοσύνη να ακούγεται λιγότερο σαν ρομπότ που διαβάζει από μια οθόνη και περισσότερο σαν συνάδελφος που κατανοεί οδηγίες και περιεχόμενο», γράφουν οι Financial Times.
Το μεγάλο στοίχημα είναι ότι καθώς τα συστήματα ΑΙ μεταβαίνουν από την απλή απάντηση σε ερωτήσεις στην εκτέλεση πιο μακροχρόνιων, απαιτητικών εργασιών, η συνομιλία μαζί τους θα παραπέμπει όλο και λιγότερο στην πληκτρολόγηση εντολών σε ένα chatbot και όλο και πιο πολύ στην ανθρώπινη επικοινωνία. Τα δεδομένα επιβεβαιώνουν την ταχύτατη υιοθέτηση της φωνητικής επικοινωνίας από τους χρήστες. Σύμφωνα με στοιχεία της Google, η χρήση φωνής διπλασιάστηκε μέσα σε μόλις ένα χρόνο, με τις φωνητικές συνομιλίες στα chatbots να διαρκούν κατά μέσον όρο πέντε φορές περισσότερο σε σύγκριση με τις αλληλεπιδράσεις μέσω γραπτού κειμένου. Παράλληλα, στην OpenAI πάνω από 150 εκατ. άνθρωποι την εβδομάδα χρησιμοποίησαν τη φωνητική λειτουργία του ChatGPT.
Αυτό συμβαίνει, μεταξύ άλλων, γιατί οι προγραμματιστές διαπιστώνουν ότι η προφορική περιγραφή ενός προβλήματος οδηγεί σε πληρέστερες λύσεις σε σύγκριση με τις σύντομες εντολές που πληκτρολογούν. «Οταν γράφω, συχνά συμπιέζω το πρόβλημα και προχωράω κατευθείαν στην εργασία. Οταν μιλάω, τείνω να εξηγώ περισσότερο το γιατί: τι προσπαθώ πραγματικά να πετύχω, ποια είναι η πρόθεσή μου, ποιοι περιορισμοί έχουν σημασία, πού είμαι αβέβαιος και πώς θα προέκυπτε ένα καλύτερο αποτέλεσμα», έγραψε πρόσφατα στο LinkedIn ο Σάντρο Τζανέλα, ο οποίος εργάζεται στον τομέα της Διεθνούς Στρατηγικής και των Λειτουργιών στην OpenAI. Στις αρχές του 2027 η εταιρεία κυκλοφορεί την πρώτη της συσκευή: έναν έξυπνο φωνητικό βοηθό με κάμερα, μικρόφωνο και ηχείο. Εκρηκτική άνοδο την ίδια ώρα καταγράφουν και οι επενδύσεις σε νεοφυείς επιχειρήσεις φωνητικής τεχνητής νοημοσύνης, καθώς εκτινάχθηκαν στα 7 δισ. δολάρια το πρώτο τρίμηνο του έτους από λιγότερο από 1 δισ. δολάρια πέρυσι, σύμφωνα με στοιχεία της PitchBook. Από εξαρτήματα γραφείου με ηχομόνωση και μικρόφωνα πέτου μέχρι έξυπνα δαχτυλίδια και αυτόνομες φορητές συσκευές υπαγόρευσης, η βιομηχανία σχεδιάζει εργαλεία που κάνουν την ομιλία στις μηχανές πιο διακριτική και αξιόπιστη. Η επιτυχής ενσωμάτωση της νέας τεχνολογίας βέβαια προϋποθέτει την υπέρβαση κρίσιμων εμποδίων, από τον θόρυβο του περιβάλλοντος και τις καθυστερήσεις μέχρι την αμηχανία που αισθάνονται πολλοί όταν μιλούν σε δημόσιους χώρους. «Η σχετική τεχνολογία παρουσιάζει ακόμη περιθώρια βελτίωσης, μεταξύ άλλων στην αξιοπιστία και την απόκριση στον χρήστη με τον κατάλληλο συναισθηματικό τόνο», επισημαίνει ο Ιβαν Γκόλντσμιτ, επικεφαλής Τεχνολογίας της Tolan, μιας νεοφυούς επιχείρησης φωνητικής τεχνολογίας. Σύμφωνα με τον ίδιο, αν και η πρόοδος είναι ραγδαία, υπάρχουν ακόμη αστοχίες που πρέπει να ξεπεραστούν. «Ανεβαίνουμε την καμπύλη μάθησης πολύ πιο γρήγορα, αλλά σίγουρα υπάρχουν θέματα που απαιτούν δουλειά», προσθέτει, καταλήγοντας με μια ισχυρή πρόβλεψη για το μέλλον της αγοράς: «Είναι απλώς θέμα χρόνου προτού η φωνή αναδειχθεί στο κυρίαρχο μοντέλο αλληλεπίδρασης».