Sesli yapay zekâ neden hâlâ ChatGPT anını yaşayamadı?

Sesli yapay zekâ, teknoloji sektörünün en fazla yatırım alan alanlarından biri hâline geldi. Model geliştiricilerinden kurumsal müşteri hizmetlerine, toplantı notu araçlarından yapay zekâ destekli dikte uygulamalarına kadar çok sayıda girişim, insan gibi konuşabilen sistemler geliştirmeye çalışıyor. Ancak sektördeki bazı yöneticilere göre sesli yapay zekâ henüz ChatGPT’nin yarattığı ölçekte bir sıçrama yaşamadı.

Bu görüşün arkasında yalnızca ses kalitesi bulunmuyor. Sistemlerin konuşmayı ne kadar doğru anladığı, yanıtı ne kadar hızlı ürettiği, bağlamı koruyup koruyamadığı ve kullanıcıya karşı ne kadar şeffaf davrandığı da teknolojinin yaygınlaşmasını belirliyor.

Doğal konuşma için hız ve bağlam gerekiyor

Kurumsal sesli yapay zekâ platformu PolyAI’nin teknoloji yöneticisi Shawn Wen, sesli sistemlerin aynı anda dinleyip konuşabildiği tam çift yönlü modellerin geliştirildiğini belirtiyor. Ona göre sıradaki sorun, bu modellerin muhakemeyi yeterince hızlı yapabilmesi. Sistem yanıtı geciktirdiğinde konuşma yapay ve kesintili hissediliyor; hızlı yanıt verdiğinde ise kullanıcıyla daha doğal bir etkileşim kurulabiliyor.

Wen, özellikle müşteri hizmetlerinde kullanılan yapay zekâ ajanlarının robotik bir izlenim bırakmaması gerektiğini savunuyor. Kullanıcı ilk birkaç konuşma turunda sistemin sorununu çözebileceğine inanırsa, ilerleyen aşamada bir insanla görüşme ihtiyacını daha az hissedebilir. Bu güvenin oluşması için yalnızca insan sesine benzeyen bir ton yeterli değil; doğru yanıt, tutarlı bağlam ve sorunu gerçekten çözebilme kapasitesi gerekiyor.

Toplantı notu uygulaması Otter’ın pazarlama yöneticisi Alex Gay de benzer bir noktaya işaret ediyor. Ona göre konuşmacıları ayırt etmek, toplantıdaki niyetleri anlamak ve bunları kurumun bilgisiyle birleştirerek yazılı hâle getirmek, otomasyon için temel aşamalar arasında yer alıyor.

Yanlış deşifre, yapay zekâya duyulan güveni azaltıyor

Sesli yapay zekâ araçlarının karşılaştığı sorunlardan biri, konuşmayı eksik veya hatalı anlamaları. Wen, otomatik konuşma tanıma modellerinin kritik anahtar kelimeleri kaçırabildiğini ve bunun tüm bağlamın yanlış kurulmasına yol açabildiğini söylüyor.

Otter yöneticisi Gay’e göre deşifre, şirket için nihai hedef değil; üretkenlik özelliklerinin üzerine inşa edildiği temel katman. İlk metin doğru değilse, bu metne dayanan özetler ve sonraki işlemler de hatalı hâle geliyor. Yapay zekâ yanlış bir işlemi otomatik olarak gerçekleştirdiğinde ise kullanıcı platforma olan güvenini kaybediyor.

Bu nedenle sesli sistemlerde otomatik konuşma tanıma doğruluğu, yalnızca teknik bir performans ölçütü olarak görülmüyor. Hatalı bir kelime, toplantı özetinden müşteri hizmetleri kaydına kadar sonraki tüm çıktıları etkileyebiliyor.

Dijital ikizler için ses kadar ifade de önemli

Otter, toplantılarda insanları temsil edebilecek dijital ikizler üzerinde de çalışıyor. Ancak Gay, böyle bir avatarın yalnızca sorulara yanıt veren bir sohbet botu gibi davranmasının yeterli olmayacağını belirtiyor. Toplantıların değerini oluşturan tartışma, stratejik değerlendirme ve insanlar arasındaki ilişki duygusu dijital temsilcilerde de karşılık bulmalı.

Bu noktada sesin duygusal ifadeleri aktarabilmesi önem kazanıyor. Kullanıcılar, bir avatarın insanlarla konuşurken ortaya çıkan vurgu, ton ve duygusal tepkileri yeterince yansıtamadığını hissederse, sistem basit bir soru-cevap aracına dönüşebilir.

Şirketler ayrıca insanlarla iletişim kuran veya toplantıları kaydeden araçların yapay zekâ kullandığını açıkça belirtmek zorunda. Kullanıcıların kaydedildiklerini ya da bir yapay zekâ sistemiyle konuştuklarını bilmesi, güvenin korunması açısından kritik görülüyor. Sesli yapay zekânın geniş kitleler tarafından benimsenmesi, bu nedenle yalnızca daha insansı konuşmaya değil; doğru anlamaya, hızlı yanıt vermeye ve çalışma biçimini açıkça anlatmaya da bağlı olacak.