Düşünce Liderleri

Ses AI hızla büyüyor — ama etki yaratacak kadar gerçekçi mi?

Oz Krakowski
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarÜrkütücü vadi etkisi, neredeyse insan gibi olan yapay zeka seslerinin, müşteri…
Daha fazla göster
  • Ürkütücü vadi etkisi, neredeyse insan gibi olan yapay zeka seslerinin, müşteri hizmetleri gibi hassas etkileşimlerde kullanıcılar için rahatsız edici olmasına neden olur.
  • Gerçek ses gerçekçiliği, yalnızca doğru telaffuzun ötesinde, duygusal nüanslar ve bağlamsal zeka gerektirir.
  • Doğal insan konuşması illüzyonunu korumak için 250 milisaniyenin altında gecikme süresi çok önemlidir.

AI ses ajanları için küresel pazar patlıyor, tahmin edildiği üzere 2024’te 3,14 milyar dolardan 2034’te 47,5 milyar dolara büyüyecek. Artık bir niş teknoloji değil, çoğu büyük teknoloji şirketi (Google, Amazon (AMZN ), Apple (AAPL ), Meta ve Microsoft (MSFT ) dahil) artık ses ürünleri sunuyor, start-up’lar pazarlara yenilikler sunuyor ve teknolojinin kendisi açık kaynaklı modellerle giderek daha erişilebilir hale geliyor. Her gün kullanılan sanal asistanlar gibi Siri ve Alexa’dan film ve TV’deki bölgesel dublajlara kadar, ses AI’nin benimsenmesi için daha önce hiç bu kadar elverişli bir fırsat olmamıştı.

Ancak ses AI’ye erişim giderek yaygınlaştıkça, deneyimler derinlemesine eşitsiz kalıyor. Bunun nedeni, ses AI’nin en zor kısmı, sesin sesini üretmek değil, günlük etkileşimlerde inandırıcı bir ses üretmektir. Geniş erişilebilirlik, bu AI seslerinin kurumsal ihtiyaçlar veya uzun vadeli kullanıcı benimsemesi için yeterli olduğu anlamına gelmez. Gerçek rekabetçi manzara, insanlara dinamik, duygusal olarak farkında ve gerçek dünya durumlarında insanlarla konuşmaktan ayırt edilemeyecek deneyimler sunan şirketler tarafından fethedilecek.

Tekinsiz vadi: “Yeterince İyi” Yetmez

Endüstri içinde büyüyen bir varsayım, makul derecede insan benzeri bir AI sesi elde etmenin “yeterince iyi” olacağı ve böylece yarışın sona ereceği yönündedir. Kullanıcılar, sağladığı fayda eksikliklerinden ağır bastığı için hafif doğallık eksikliğini tolere edecektir.

Gerçekte, bu varsayım, insanların konuşma, duygu ve otantiklik algısını yanlış anlamaktadır. Neredeyse insan benzeri sesler, özellikle müşteri desteği, sağlık etkileşimleri veya seyahat planlamasında duygular yüksek olduğunda ve anlaşıldığını hissetmek önemli olduğunda, kullanıcıları rahatsız eden bir “tekinsiz vadi” etkisi yaratmaya eğilimlidir. AI seslerine maruz kalma arttıkça, vasatlığa gösterilen tolerans azalıyor.

Aslında, araştırma insan-makine etkileşimi konusunda tutarlı bir şekilde, bir ses neredeyse insan benzeri ancak duygusal veya ritmik hizalamadan yoksun olduğunda, kullanıcılar içgüdüsel olarak bir şeyin yanlış olduğunu hisseder. Örneğin, bazı şirketlerin AI resepsiyonistleri, kullanıcıların etkileşimleri “ürpertici” veya “rahatsız edici” olarak tanımladıklarını belirtirler, çünkü sesin hafif ritmik veya duygusal zamanlama tutarsızlıkları vardır ve bunlar bir türlü doğru hissettirmez. Müşteri karşı karşıya gelen ortamlarda, küçük sürtüşme veya rahatsızlık anları hızla gerçek memnuniyetsizliğe ve sonunda terk edilmeye dönüşebilir.

Bu “yeterince iyi” modundan kurtulmak, iş hedefleri için giderek daha önemli hale geliyor. AI, 2027 yılına kadar müşteri hizmetleri vakalarının yaklaşık %50’sini ele alacağı öngörülüyor, ancak otomatik etkileşimlerin olumsuz olması marka algısını doğrudan etkileyebilir. Kötü bir sohbet botu etkileşimi, eşit derecede kötü veya doğal olmayan bir ses deneyimiyle takip edilecek ve muhtemelen gerçek yardıma güvenilir bir yol olmadığına dair derin bir his bırakacaktır.

Kullanıcılar AI sesleriyle etkileşime girdikçe, robotik veya garip etkileşimlere tolerans azalıyor ve kullanıcılar hızla ilgisini kaybedecekler, AI araçlarına bağımlı şirketler için ciddi iş sonuçları doğuracaklar.

Gerçekçi olmanın anlamı

Ses AI’de insan düzeyinde gerçekçilik, yalnızca telaffuz doğruluğundan veya robotik sesli alt tonları kaldırmaktan daha fazlasını içerir. Ayrıca duygular, bağlam, kültürel nüanslar, zamanlama ve daha ince faktörlerin çok boyutlu bir kombinasyonunu gerektirir. Gerçek zorluk, o halde, insan iletişimini şekillendiren katmanları deşifre etmek, anlamak ve sonunda taklit etmektir, örneğin:

Duygusal aralık ve otantiklik

İnsan seslerinin güzelliği, sıcaklık, ivedilik, mizah, hayal kırıklığı, heyecan ve sayısız başka duyguyu kelimelerle birlikte iletebilme yeteneklerinde yatmaktadır. Bu duygusal nüans, bir kullanıcının anlaşıldığını ya da geçiştirildiğini, rahatlatıldığını ya da rahatsız edildiğini hissetmesini doğrudan etkiler.

Örneğin, bir AI destek ajanı, bir rahatsız müşteri ile ilgileniyor. Bot, “Bunun ne kadar sinir bozucu olduğunu tamamen anlıyorum. Gelin bunu nasıl çözebileceğimize bakalım” diyebilir. Bu kelimeleri söyleyen ses empatik ise, arayan kişinin stresini düşürebilir ve gerçek çatışma çözümünü sinyal edebilir. Aynı kelimeler düz veya doğal olmayan bir sesle söylendiğinde tam tersi tepkiyi tetikleyebilir.

Bağlamsal zeka

İnsanlar, içgüdüsel olarak konuşmalarını durumun aciliyetine, dinleyicinin algılanan duygusal durumuna, bilgilendirme karmaşıklığına ve sosyal bağlama göre ayarlarlar. Bugünün AI sesleri, konuşmayı uniform bir şekilde sunma eğilimindedir ve konuşmanın duyarlı ve mevcut hissetmesini sağlayan bağlamsal ipuçlarını kaçırır. Gerçekçi konuşma, sadece kelimelerin değil, neden söylendiği ve bunları ifade edenlerin zihniyetini de anlamayı gerektirir.

Ses mikro ifadeleri

Doğal konuşma, nefesler, duraklamalar, tereddüt işaretleri ve düzensiz tempo gibi ince kusurları içerir. Bu, kusursuz, kesintisiz AI konuşmasının neden daha az insan gibi hissettirdiğinin ana nedenlerinden biridir. Ne yazık ki, bu ipuçlarını inandırıcı bir şekilde taklit etmek teknik olarak zor olmaya devam etmektedir.

Kültürel ve dilbilimsel nüans

Vurgu yeniden üretimine ek olarak, gerçek bölgesel iletişim, farklı kültürlerin tempo, tonlama, deyimler, resmiyet seviyeleri ve iletişim stillerinin farkında olmayı gerektirir. Örneğin, bir kültürde dostluk ve heyecanı gösteren bir yükselen tonlama modeli, başka bir kültürde belirsizlik veya soru olarak yorumlanabilir ve kullanıcıların niyet veya duygu algısını değiştirebilir.

Bu ses nüansları AI modellerine entegre edilmezse, teknik olarak doğru olan sesler bile farklı kültürel arka planlardan kullanıcılar için uygunsuz veya karıştırıcı hissedebilir. Gerçekçilik, herhangi bir kullanıcı beklentisine göre ton ve stil adapte etme yeteneğini gerektirir.

Tüm bu ince, ancak önemli faktörleri hesaba katarak, AI seslerinin sadece insan gibi ses çıkarmakla kalmayıp, aynı zamanda gerçek zamanlı olarak insan gibi tepki vermesi gerektiği anlaşılıyor. Bu nedenle, gecikme, bir AI sesinin ne kadar insan gibi hissettirdiğini değerlendirmek için kritik bir unsurdur. Doğal konuşmada, insanlar ortalama 250 milisaniyelik aralıklarla konuşma turu alırlar. Daha uzun bir aralık, etkileşimin gecikmeli, dikkatsiz veya kafası karışmış gibi algılanmasına neden olur. Düşünce dolu bir duraklama ile teknik bir gecikme arasındaki küçük fark, doğal konuşma illüzyonunu bozmak ve sesin daha az ilgili algılanmasına yol açmak için yeterli olabilir.

Neden Bu Önemli

İleriye doğru, pazar gerçekçi ve gerçek zamanlı yanıt veren şirketleri tercih edecektir.

AI ajanları ve asistanları için, kullanıcı benimsemesi ve sürdürülen etkileşim, insanların bu teknolojiyle en başta etkileşime girmek isteyip istemediğine bağlıdır. İnsanların bir kez denediği bir araç ile her gün güvendiği bir araç arasındaki fark, konuşma deneyiminin kalitesidir.

Eğlence endüstrisinde, izleyicinin anlatıya kapılması ve izlemeye devam etmesi, bir içeriğin ne kadar inandırıcı olduğuyla bağlantılıdır ve doğal olmayan bir cümle, izleyici katılımını bozabilir. Dublaj veya karakter performansı için kullanılan AI sesleri, duygusal etkiye sahip olmak için hikayeye tam olarak entegre olmalıdır.

Müşteri desteğinde, güven ve empati en önemli unsurlardır, özellikle müşteri etkileşimlerinin çoğu sinir veya karışıklık anlarında gerçekleştiğinde. Katı veya duygusal olarak bağlantısız bir ses, durumu çözme yerine artırabilir. Kullanıcılar, sadece önceden yazılmış yanıtları sunmakla kalmayıp, endişe, sabır veya teselli duygularını yansıtabilen sesler bekliyorlar.

Ne Gelir

Ses AI yarışını kazanan şirketler, duygusal nüansı, kültürel ve bağlamsal varyasyonu anlayan, anında ve akıcı bir şekilde yanıt veren ve insanlarla konuşmaktan ayırt edilemeyecek deneyimler sunan şirketler olacaktır.

Herkesin bir AI sesi üretebildiği bir pazarda, kullanıcı beklentileri de buna göre evrilir, “yeterince iyi” hızla yeterli olmayacak. Rekabetçi kalmanın tek yolu, insanların kolayca AI olduklarını unutabileceği AI sesleri üretmektir.

Oz Krakowski, İş Geliştirmeden Sorumlu Üst Yönetici (CBDO), Deepdub'ın iş geliştirme ve stratejik satışlarını yönetiyor ve Deepdub'ın öncü AI destekli yerelleştirme platformu kullanarak yüzlerce saatlik senaryolu ve senaryosuz içeriğin birden fazla dile yerelleştirilmesini denetledi. Sinema gösterimi için hazırlanan filmler, ödül kazanan bağımsız filmler, Hulu'da ("Vanda") ilk kez dublajlı senaryolu drama ve gerçeklik şovu "Hardcore Pawn" ve belgesel-suç "Forensic Files" gibi senaryosuz içeriklere kadar dublaj yaparak, Oz, dünya çapındaki stüdyo ve içerik sahipleriyle işbirlikleri ve ortaklıklar kurdu ve DEG Ödülleri Planlama Komitesi üyesidir. Oz, bir seri girişimci ve Deepdub'a katılmadan önce sağlık pazarındaki bir startup'ın ortak kurucusuydu.