Live 3 néven új beszédmodellt mutatott be a Fish Audio, amely egyszerre képes beszélni és figyelni a felhasználót. A generatív mesterséges intelligencia így felismerheti, mikor érdemes várnia, mikor elegendő egy rövid visszajelzés, és mikor kell megszakítania saját mondandóját. A vállalat szerint a rendszer bizonyos helyzetekben már 186 ezredmásodperc alatt dönthet a reakcióról.
A Fish Audio november 10-én jelentette be Live 3 nevű, valós idejű beszélgetésekre fejlesztett modelljét, amelyet elsősorban hangalapú mesterséges intelligencia ügynökökhöz készített. A fejlesztés egyik legfontosabb célja nem egyszerűen a gyorsabb válaszadás, hanem a természetes emberi társalgás ritmusának pontosabb követése. A hagyományos hangalapú rendszereknél ugyanis gyakori probléma, hogy az asszisztens túl korán válaszol, félbeszakítja a beszélőt, vagy egy rövid közbeszólást tévesen teljes kérdésnek értelmez.
A Live 3 úgynevezett full-duplex működésre épül, vagyis a rendszer a saját beszédének előállítása közben is folyamatosan feldolgozhatja a beérkező hangot. Ez lehetővé teszi, hogy különbséget tegyen az egyszerű visszajelzések és a valódi félbeszakítások között. Ha a felhasználó például egy telefonszám közepén rövid szünetet tart, az asszisztens nem feltétlenül kezdi el idő előtt a választ. Ha viszont a beszélő megváltoztatja a kérését, a rendszer megszakíthatja saját mondatát, és alkalmazkodhat az új információhoz.
A Fish Audio a modell tanításánál valódi emberi beszélgetéseket használt, hogy a rendszer megtanulja a megszólalások időzítését és a rövid megerősítő hangjelzések szerepét. A vállalat szerint a Live 3 bizonyos helyzetekben már 186 ezredmásodperc alatt képes eldönteni, hogy reagáljon-e. Ez az adat azonban nem egy teljes, összetett válasz előállítási idejét jelenti, hanem elsősorban a rövid reakciókra vonatkozik. A modell jelenleg angol nyelven működik, és a Fish Audio ügynökplatformján, illetve fejlesztői API-n keresztül használható.
Olvasd el: 300 ezredmásodperc alatt reagálhat a generatív mesterséges intelligencia új beszédmodellje
Mennyivel válhatnak hatékonyabbá a digitális ügyfélszolgálatok, ha a mesterséges intelligencia már nemcsak a kimondott szavakat, hanem a beszélgetések természetes ritmusát is képes követni?
Az új technológia különösen azokban az üzleti helyzetekben lehet hasznos, ahol a beszélgetések gyakran tartalmaznak szüneteket, javításokat és egymás szavába vágó megszólalásokat. Egy telefonos ügyfélszolgálaton például a vásárló többször is módosíthatja a rendelését, elbizonytalanodhat egy időpontban, vagy félbeszakíthatja az automatikus tájékoztatást. A megfelelően időzített reakciók csökkenthetik a félreértéseket, és természetesebbé tehetik a digitális asszisztenssel folytatott kommunikációt. Ez az értékesítésben, az időpontfoglalásban és a telefonos ügyintézésben is fontos szempont lehet.
A fejlesztés teljesítményét ugyanakkor egyelőre elsősorban a Fish Audio saját bemutatói alapján lehet megítélni. Nem áll rendelkezésre olyan átfogó, független összehasonlítás, amely bizonyítaná, hogy a Live 3 minden beszédhelyzetben gyorsabb vagy természetesebb a versenytársaknál. A 186 ezredmásodperces adat sem tekinthető általános reakcióidőnek, és a kizárólag angol nyelvű indulás korlátozza a nemzetközi felhasználást. Éles ügyfélszolgálati alkalmazásnál emellett a félreértések, az adatkezelés és az üzleti szabályok betartása továbbra is külön ellenőrzést igényel.
A Live 3 megjelenése mégis fontos irányt mutat a generatív mesterséges intelligencia fejlődésében. A hangalapú asszisztensek következő versenyét már nem feltétlenül az dönti el, melyik modell tud gyorsabban előállítani egy mondatot. Legalább ilyen fontos lehet, hogy a rendszer felismeri-e az emberi kommunikáció finom jelzéseit, megfelelő időben szólal-e meg, és képes-e természetesen alkalmazkodni a beszélgetőpartneréhez. Ha ezek a képességek a mindennapi használatban is megbízhatóan működnek, a digitális ügyfélszolgálatok sokkal közelebb kerülhetnek az emberi társalgás élményéhez.
Olvasd el ezt is: Olcsóbb és gyorsabb válaszokat ígér a generatív mesterséges intelligencia új fejlesztése
Források: Fish Audio, MarkTechPost, The Agentic Weekly
CS.SZ.
