La promesa de que la voz se convierta en la próxima gran interfaz humana con la inteligencia artificial acumula billones de dólares en inversiones y un torrente semanal de nuevos modelos que juran sonar naturales. Sin embargo, desde dentro de la industria surge una voz de realismo técnico: ese momento disruptivo, equivalente al desembarco de ChatGPT en el texto, aún no llegó para el audio. Según los principales desarrolladores, el verdadero salto no está en imitar el timbre humano, sino en superar dos obstáculos fundamentales: la velocidad del razonamiento y la construcción de confianza en el usuario.
El espejismo del full-duplex y la pared del razonamiento
Shawn Wen, CTO de la plataforma empresarial de voz AI PolyAI, marcó una distinción crucial durante el evento HumanX el mes pasado. Aunque la industria celebró el desarrollo de modelos full-duplex —capaces de hablar y escuchar simultáneamente—, Wen considera que esto es solo un hito técnico, no el punto de quiebre. “El próximo desafío es hacer que el razonamiento sea muy rápido, para que los modelos puedan obtener respuestas rápidamente y la conversación se sienta natural”, declaró en el escenario. El problema subyacente, según el ejecutivo, está en los modelos de Reconocimiento Automático del Habla (ASR), que aún suelen omitir palabras clave críticas, fracturando la comprensión del contexto completo.
Confianza, no solo precisión: la batalla por la adopción
Para Alex Gay, CMO de Otter, la empresa especializada en transcripción de reuniones, la precisión en la identificación del hablante y la captura de intenciones es solo la primera capa. El objetivo final es construir una relación. “Si piensas en las mejores conversaciones que tienes, son aquellas donde hay debate, discusiones estratégicas y una relación que las sustenta. Si no puedes tener eso con un avatar, entonces es solo un chatbot de preguntas y respuestas”, señaló Gay. Ambos ejecutaron coincidieron en que la pérdida de confianza es instantánea cuando la IA comete un error en una acción derivada de una transcripción imperfecta, un riesgo enorme para la adopción empresarial.
Transparencia y el futuro de los “gemelos digitales”
La ética y la transparencia emergen como pilotes no negociables en este desarrollo. Tanto PolyAI como Otter enfatizan la necesidad de declarar explícitamente cuándo un usuario está siendo grabado o hablando con un agente de IA. Otter explora métodos como notificar a todos en un chat que una reunión se está registrando, incluso si el bot no está presente. Mientras tanto, el horizonte lo pintan los “gemelos digitales” —avatares vocales que representen a personas en reuniones—, una tecnología para la cual, advierte Gay, es primordial que la voz output transmita las mismas expresiones emotivas de una conversación humana real. El camino hacia el momento ChatGPT de la voz, concluyen, está menos en el sonido y más en la inteligencia conversacional y la confianza ganada.
Fuente: TechCrunch AI