人工智能从业者在谈到语音对语音技术时通常会遇到常见的三个障碍。
人工智能(AI)能够生成类似人类的数据的前景已经被谈论了几十年。然而，数据科学家已经解决了这个问题，但收效甚微。精确确定创建此类系统的有效策略带来了从技术到伦理以及两者之间的各个方面的挑战。然而，生成式人工智能已经成为值得关注的亮点。
在最基本的情况下，生成式人工智能使机器能够使用音频文件、文本和图像等元素生成从语音到写作到艺术的内容。科技投资公司SequoiaCapita公司表示:“生成式人工智能不仅会变得更快、更便宜，在某些情况下还会比人类手工创造的人工智能更好。”
特别是基于生成语音的机器学习技术，最近的进展已经取得了巨大的进步，但人们仍然有很长的路要走。事实上，语音压缩出现在人们非常依赖的应用程序中，比如Zoom和Teams，这仍然是基于上世纪80年代和90年代的技术。虽然语音对语音技术有无限的潜力，但评估生成式人工智能发展障碍的挑战和缺点至关重要。
以下是人工智能从业者在谈到语音对语音技术时常见的三个障碍。
1.音质
可以说，最佳对话最重要的部分是它是可以理解的。在语音对语音技术的情况下，目标是听起来像人。例如，Siri和Alexa的机器人语调就像机器一样，并不总是清晰。这很难通过人工智能实现，有几个原因，但人类语言的细微差别起了很大作用。
梅拉比安法则可以帮助解释这一点。人类的对话可以分为三部分：55%的面部表情，38%的语气，以及仅仅7%的文字。机器理解依赖于文字或内容来操作。只有在自然语言处理(NLP)方面取得了最近的进展，才有可能根据情绪、情绪、音色和其他重要(但不一定是口语)的语言方面来训练AI模型。如果你只处理音频，而不是视觉，这就更有挑战性了，因为没有超过一半的理解来自面部表情。
2.延迟
人工智能综合分析可能需要时间，但在语音对语音通信中，实时是唯一重要的时间。语音转换必须在说话时立即发生。它还必须是准确的，你可以想象，这对一台机器来说不是一件容易的事。
实时的必要性因行业而异。例如，一个做播客的内容创造者可能更关心音质而不是实时语音转换。但对于客户服务这样的行业，时间是至关重要的。如果呼叫中心代理使用语音辅助人工智能来响应来电者，他们可能会在质量上做出一些牺牲。尽管如此，时间对于提供积极的体验还是至关重要的。
3.规模
为了让语音对语音技术发挥其潜力，它必须支持各种口音、语言和方言，并且对每个人都可用——而不仅仅是特定的地区或市场。这需要掌握技术的特定应用程序，并进行大量的调优和培训，以便有效地扩展。
新兴的技术解决方案并不是万能的;对于给定的解决方案，所有用户都需要通过数千个体系结构来支持这种AI基础设施。用户还应该期望对模型进行一致的测试。这并不新鲜:机器学习的所有经典挑战也适用于生成式AI领域。
那么，人们如何开始解决这些问题，从而开始意识到语音对语音技术的价值呢?幸运的是，当你逐步分解它时，它就不那么可怕了。首先，你必须掌握这个问题。前面我举了一个呼叫中心和内容创建者的例子。确保你考虑了用例和期望的结果，并从那里开始。
第二，确保您的组织拥有正确的体系结构和算法。但在此之前，要确保企业有正确的数据。数据质量很重要，特别是在考虑人类语言和语音这样敏感的东西时。最后，如果您的应用程序需要实时语音转换，请确保该功能得到支持。最终，没人想和机器人说话。
虽然关于生成人工智能深度造假、同意和适当披露的伦理担忧现在逐渐浮出水面，但重要的是首先要理解和解决基本问题。语音对语音技术有可能彻底改变我们理解彼此的方式，为将人们团结起来的创新创造机会。但为了实现这一目标，必须首先面对主要挑战。?
