Metin tabanlı sohbet botları 2022'nin sonunda ChatGPT ile atılım anını yaşadı. Sesli asistanlar ise her yerde ve hiçbir yerde: telefonlarda, otomobillerde ve çağrı merkezlerinde bulunuyorlar, ancak yazılımla konuşmayı kaçınılmaz hissettiren tek bir ürün hâlâ çıkmadı. Birkaç sektör yöneticisinin TechCrunch'a anlattığı değerlendirme bu: sesli yapay zekâ henüz kendi atılım anını bulamadı.
Sorun model kalitesi değil. Modern konuşma tanıma, metinden sese dönüştürme ve diyalog modelleri tek başlarına birçok görev için yeterince iyi. Sorun yapısal. Sesli bir etkileşim bir zincirdir — konuşmadan metne, sonra dil modeli, sonra metinden sese — ve her halka gecikme ekler. Toplam tur süresi kabaca bir saniyeyi aştığında konuşma, konuşma gibi hissettirmeyi bırakıp telsiz görüşmesine benzemeye başlıyor.
Gecikmenin üstünde iki zor sorun var. Birincisi sıra yönetimi: kullanıcının gerçekten konuşmayı bitirdiğini anlamak ve sözünü kesmeden müdahaleleri yönetmek. İkincisi ise toparlanma. Yüzde beş oranında hata yapan bir sesli ajan bir sohbet penceresinde hafif can sıkıcıdır; telefonda ise arayanı geri dönüş yolu olmadan ortada bırakabilir.
Sesli teknolojinin bugün işe yaradığı yerler dar ama hacimli alanlar: çağrı merkezi yönlendirmesi, sipariş alma, klinik not tutma ve araç içi asistanlar. Bu kurulumlar başarılı çünkü kelime dağarcığı sınırlı, hata yolu genellikle bir insana bağlanıyor ve yatırım getirisi — çağrı başına kazanılan dakikalar — kolayca ölçülüyor.
Yöneticilere göre atılım yeni ve parlak bir demodan değil, güvenilirlik ve maliyetten gelecek. Saniyenin altında gecikme, güvenilir söz kesme yönetimi, insana makul biçimde aktarma ve ölçekte işleyen dakika başı fiyatlandırma, bir laboratuvar hünerini altyapıya dönüştüren şeyler. O güne kadar ses, başlı başına bir platform değil, ürünlere sonradan eklenen bir özellik olarak kalacak.
