Il settore della voce artificiale ancora in fase di evoluzione
PolyAI ha sviluppato uno dei sistemi di intelligenza artificiale vocale più diffusi nel customer service enterprise. Tuttavia, il suo CTO, Shawn Wen, ha dichiarato apertamente che il settore non ha ancora raggiunto un vero e proprio momento di svolta. Nonostante l’esistenza di modelli full‑duplex capaci di ascoltare e parlare contemporaneamente, la voce artificiale non ha replicato l’effetto di massa generato da ChatGPT sul testo nel novembre 2022.
Wen ha espresso la sua opinione alla conferenza HumanX, sottolineando che i modelli full‑duplex sono reali, ma la vera problematica risiede nella velocità di ragionamento. Se il sistema impiega anche solo un secondo di troppo a recuperare una risposta, la conversazione perde naturalezza e l’utente percepisce subito di parlare con una macchina. La latenza non è solo un dettaglio tecnico: è la differenza tra un’esperienza accettabile e una che porta l’utente ad abbandonare la chiamata.
La necessità di risposte istantanee
Secondo Wen, il nodo successivo da sciogliere è rendere il ragionamento abbastanza rapido da far sembrare la risposta spontanea, quasi istintiva. Nel customer service, la dinamica è particolarmente critica: i primi due o tre scambi di una conversazione determinano se l’agente vocale riesce a risolvere il problema o meno. Se l’agente riesce a risolvere il problema in quel breve lasso di tempo, l’utente costruisce fiducia e smette di chiedere di parlare con un operatore umano. Se invece il sistema fallisce, si perde tutto. La soglia di tolleranza è bassa e il margine di errore quasi nullo. Gli agenti vocali non possono permettersi di suonare robotici non perché sia una questione estetica, ma perché la percezione di artificialità annulla la fiducia prima ancora che il problema venga affrontato.
Problemi di riconoscimento vocale e trascrizione
Alex Gay, CMO di Otter, piattaforma di trascrizione e note automatiche per riunioni, ha identificato un altro punto critico: i modelli di riconoscimento vocale automatico (ASR) commettono ancora errori frequenti sulle parole chiave. Ogni errore di trascrizione si propaga a valle, compromettendo le azioni automatizzate che dipendono da quel testo. Se la trascrizione iniziale non è accurata, qualsiasi passo successivo — un riassunto, un’attività assegnata o una ricerca nella knowledge base aziendale — diventa inaffidabile.
Gay sta lavorando anche su tecnologia di digital twin per le chiamate aziendali: repliche vocali di persone reali che partecipano a riunioni. Per questa tecnologia, l’espressività emotiva della voce non è opzionale: senza cadenze e sfumature umane, i digital twin restano confinati a scambi transazionali.
Il mercato in crescita ma con ostacoli persistenti
Sullo sfondo c’è un mercato che corre comunque. Gli investitori stanno riversando miliardi di dollari nelle startup di voice AI, dai produttori di modelli base fino ai fornitori di software per il customer service enterprise e i notetaker per le riunioni.
OpenAI ha già risposto con GPT‑Live, un’architettura full‑duplex che elimina il rilevatore di turni dal flusso audio e affida il ragionamento avanzato a un percorso asincrono separato — così la voce non si blocca mentre il sistema pensa. L’infrastruttura avanza, ma la domanda di Wen resta aperta: quando arriverà il momento in cui un utente qualunque, senza interesse tecnico, rimarrà abbastanza colpito da cambiare le proprie abitudini? Quel momento, per ora, non è ancora arrivato.
Verso un futuro più umano
Il percorso verso una voce artificiale che sia percepita come naturale e affidabile richiede ulteriori progressi in latenza, precisione e intelligenza emotiva. Solo allora si potrà davvero competere con l’impatto che ChatGPT ha avuto sul testo, offrendo un’esperienza vocale che non solo risponde, ma interagisce in modo umano e immediato.