Dr. Itamar Arel、現在TenyxのCEOは、テネシー大学とスタンフォード大学のAI研究所での元教授としての学術的背景と、Binatix、Apprente（マクドナルドとIBMに買収された）およびTenyxなどの先駆的な企業を共同設立した起業家としての成功を融合させています。Itamarは最近、マクドナルド株式会社の企業VPおよびMcD Tech Labsの責任者、およびIBM Watson Ordersの会話AIの責任者を務めていました。
今、AIを搭載した音声ベースのシステムの時代です。顧客サービスへの電話を考えてみましょう。すぐに、硬いロボットの声、制限的なメニュー、人間のエージェントと話したい場合に0を繰り返し押すような煩わしい経験はなくなります。（または、人間のエージェントに転送されるまでの長い待ち時間のために、電話を完全に断念することになります。）それではありません。トランスフォーマーベースの大規模言語モデル（LLM）の進歩だけでなく、自動音声認識（ASR）とテキストツースピーチ（TTS）システムの進歩により、「次世代」の音声ベースのエージェントがここにあります – ただし、それらを構築する方法を知っている場合に限ります。今日、我々はそのような最先端の音声ベースの会話エージェントを構築することを希望する誰もが直面する課題を調べてみます。なぜ音声か？飛び込む前に、音声ベースのエージェントの一般的な魅力と関連性を、テキストベースのインタラクション（対話）と比較して見てみましょう。音声インタラクションがテキストベースのインタラクションよりも適切である理由は、以下のようないくつかあります – これらは、厳しさの順に並べたものです： 好みまたは習慣 – 発話は歴史的にも発達的にも書き言葉よりも先にあります テキスト入力の遅さ – 多くの人がテキスト入力よりも話す方が速いです ハンズフリーの状況 – ドライブ中、運動中、または皿洗いをしている場合など 非識字 – エージェントが理解する言語（言語）では 障害 – 視覚障害や非発話モーターコントロールの欠如など ウェブサイトを介した取引が支配的な時代にありながら、音声は商取引の強力な手段であり続けています。たとえば、最近のJD Powerによるホテル業界の顧客満足度に関する研究では、電話で部屋を予約したゲストは、オンライン旅行会社（OTA）やホテルのウェブサイトを通じて予約したゲストよりも滞在に満足度が高かったことがわかりました。しかし、インタラクティブな音声応答（IVR）は十分ではありません。 2023年のZippiaの研究では、88％の顧客が自動音声メニューではなく、生のエージェントとの音声通話を好むことがわかりました。この研究では、電話メニューで最も苛立たしいことは、無関係なオプションを聞くこと（69％）、問題を完全に説明できないこと（67％）、非効率的なサービス（33％）、混乱を招くオプション（15％）であることがわかりました。また、音声アシスタントを使用することに抵抗がないことがわかりました。アクセンチュアの研究によると、約47％の消費者がすでにビジネスとのやり取りに音声アシスタントを使用することに快適感を持っており、約31％の消費者がすでに音声アシスタントを使用してビジネスとのやり取りをしています。いずれにせよ、多くの人にとって、自然で快適な会話ができる限り、話し合いが好まれる傾向があります。音声ベースのエージェントが良いかどうかおおよそ、良い音声ベースのエージェントは、次のようにユーザーに応答する必要があります： 関連性：ユーザーが何を言ったか/何を望んだかを正しく理解した上で 正確性：事実に基づいて（たとえば、ホテルに1月19日に部屋が空いている場合にのみ、部屋が空いていると言う） 明確性：応答が理解できるものであること...
