Trí tuệ nhân tạo giọng nói đang bùng nổ – Nhưng liệu nó thực tế đủ để tạo ra tác động?

Thị trường toàn cầu cho các tác nhân giọng nói AI đang bùng nổ, dự kiến sẽ tăng từ 3,14 tỷ đô la vào năm 2024 lên 47,5 tỷ đô la vào năm 2034. Không còn là một công nghệ đặc biệt, hầu hết các công ty công nghệ lớn (bao gồm Google, Amazon, Apple, Meta và Microsoft) hiện đã có các sản phẩm giọng nói, các công ty khởi nghiệp đang cung cấp các đổi mới cho thị trường và công nghệ bản thân đang trở nên dễ tiếp cận hơn với các mô hình mã nguồn mở. Từ các trợ lý ảo hàng ngày như Siri và Alexa đến lồng tiếng khu vực trong phim và truyền hình, chưa bao giờ có một cơ hội màu mỡ hơn cho việc áp dụng giọng nói AI.

Tuy nhiên, khi việc tiếp cận giọng nói AI trở nên phổ biến hơn, trải nghiệm vẫn còn rất không đồng đều. Đó là vì phần khó nhất của giọng nói AI không phải là tạo ra âm thanh của giọng nói, mà là tạo ra một giọng nói cảm giác đáng tin cậy trong các tương tác hàng ngày. Sự sẵn có rộng rãi không có nghĩa là những giọng nói AI này đủ tốt cho nhu cầu của doanh nghiệp hoặc cho việc áp dụng của người dùng trong dài hạn. Phong cảnh cạnh tranh thực sự sẽ được chinh phục bởi những người cung cấp các giọng nói cảm giác con người, động và nhận thức về mặt cảm xúc trong các tình huống thực tế.

Thung lũng kỳ lạ: “Đủ tốt” không cắt giảm

Một giả định ngày càng tăng trong ngành là đạt được một giọng nói AI giống con người sẽ là “đủ tốt” cho việc áp dụng rộng rãi, hiệu quả chấm dứt cuộc đua. Người dùng sẽ chấp nhận sự không tự nhiên nhẹ vì tiện ích vượt qua những điểm yếu.

Trên thực tế, giả định này hiểu lầm cách con người nhận thức về lời nói, cảm xúc và tính xác thực. Những giọng nói gần giống con người có xu hướng tạo ra một hiệu ứng “thung lũng kỳ lạ” khiến người dùng cảm thấy không thoải mái, đặc biệt là trong các tương tác hỗ trợ khách hàng, chăm sóc sức khỏe hoặc lập kế hoạch du lịch, nơi cảm xúc có thể cao và cảm giác được hiểu là tối quan trọng. Khi người dùng tiếp xúc với giọng nói AI nhiều hơn, sự khoan dung đối với sự không tự nhiên giảm, và người dùng sẽ nhanh chóng ngắt kết nối, gây ra những hậu quả nghiêm trọng cho các công ty phụ thuộc vào các công cụ như vậy.

Trên thực tế, nghiên cứu về tương tác giữa con người và máy móc liên tục cho thấy rằng khi một giọng nói gần giống con người nhưng thiếu sự đồng bộ về mặt cảm xúc hoặc nhịp điệu, người dùng trực giác cảm thấy có điều gì đó không đúng. Ví dụ, một số công ty có các tiếp tân AI lưu ý rằng người dùng mô tả các tương tác là đáng sợ hoặc khó chịu vì giọng nói có sự không đồng bộ về nhịp điệu hoặc thời gian cảm xúc tinh tế mà đơn giản là không cảm thấy đúng. Trong các môi trường hướng tới khách hàng, ngay cả những khoảnh khắc nhỏ của ma sát hoặc khó chịu cũng có thể nhanh chóng tích lũy thành sự không hài lòng thực sự và cuối cùng là từ bỏ.

Phá vỡ chế độ “đủ tốt” này ngày càng quan trọng đối với các mục tiêu kinh doanh. AI dự kiến sẽ xử lý khoảng 50% các trường hợp hỗ trợ khách hàng vào năm 2027, nhưng các tương tác tự động tiêu cực có thể trực tiếp làm tổn hại nhận thức về thương hiệu. Một tương tác trò chuyện xấu tiếp theo là một trải nghiệm giọng nói không tự nhiên sẽ có khả năng tạo ra một cảm giác sâu sắc về sự thất vọng và có thể báo hiệu rằng không có con đường đáng tin cậy để được giúp đỡ.

Khi người tiêu dùng ngày càng tương tác với giọng nói AI, sự khoan dung đối với các tương tác gượng gạo hoặc khó xử giảm, và người dùng sẽ nhanh chóng ngắt kết nối, gây ra những hậu quả nghiêm trọng cho các công ty phụ thuộc vào các công cụ như vậy.

Thực tế đích thực

Trong giọng nói AI, sự thực tế ở cấp độ con người là hơn cả việc chỉ chính xác về phát âm hoặc loại bỏ các âm thanh gượng gạo. Nó cũng đòi hỏi sự kết hợp đa chiều của cảm xúc, ngữ cảnh, sắc thái văn hóa, thời gian và các yếu tố tinh tế hơn. Thách thức thực sự nằm ở việc phân tích, hiểu và cuối cùng là sao chép các lớp tạo nên giao tiếp của con người, chẳng hạn như:

Phạm vi cảm xúc và tính xác thực

Sự đẹp đẽ của giọng nói con người nằm ở khả năng truyền tải sự ấm áp, sự khẩn cấp, sự hài hước, sự thất vọng, sự phấn khích và vô số cảm xúc khác, cùng với chính những từ ngữ đó. Sự tinh tế về mặt cảm xúc này trực tiếp ảnh hưởng đến việc người dùng có cảm thấy được hiểu hoặc bị bỏ qua, được an ủi, hay bị kích động.

Hãy tưởng tượng, ví dụ, một đại lý hỗ trợ AI xử lý một khách hàng thất vọng. Bot có thể nói, “Tôi hoàn toàn hiểu làm thế nào thất vọng này phải như thế nào. Hãy cùng xem cách chúng ta có thể sửa nó.” Khi giọng nói nói những từ đó cảm thấy đồng cảm, nó có thể làm giảm căng thẳng của người gọi và báo hiệu sự giải quyết xung đột thực sự. Những từ相同 được nói trong một giọng nói phẳng hoặc không tự nhiên có thể kích hoạt phản ứng ngược lại.

Trí tuệ ngữ cảnh

Con người trực giác điều chỉnh giọng nói của mình dựa trên sự cấp thiết của tình huống, trạng thái cảm xúc được nhận thức của người nghe, sự phức tạp của thông tin và ngữ cảnh xã hội. Các giọng nói AI ngày nay có xu hướng cung cấp các dòng đồng đều, bỏ qua các tín hiệu ngữ cảnh khiến lời nói cảm giác có phản ứng và hiện diện. Lời nói thực tế đòi hỏi sự hiểu biết không chỉ về từ ngữ, mà còn về lý do tại sao chúng được nói và tâm trạng của những người thể hiện chúng.

Biểu cảm vi mô trong âm thanh

Lời nói tự nhiên bao gồm các khiếm khuyết tinh tế như hơi thở, ngừng, dấu hiệu do dự và nhịp điệu không đều. Đó là một trong những lý do chính tại sao lời nói AI hoàn hảo, không gián đoạn cảm giác ít giống con người. Thật không may, việc sao chép các tín hiệu này một cách đáng tin cậy vẫn còn là một thách thức kỹ thuật.

Sắc thái văn hóa và ngôn ngữ

Bên cạnh việc sao chép giọng điệu, giao tiếp khu vực đích thực phụ thuộc vào sự nhận thức về tốc độ, ngữ điệu, thành ngữ, mức độ trang trọng và phong cách giao tiếp khác nhau của các nền văn hóa. Ví dụ, một mẫu ngữ điệu tăng lên có thể báo hiệu sự thân thiện và hứng thú trong một nền văn hóa, nhưng có thể được hiểu là sự không chắc chắn hoặc nghi vấn trong một nền văn hóa khác, có khả năng thay đổi nhận thức của người dùng về ý định hoặc cảm xúc.

Nếu không có những sắc thái giọng nói này được tích hợp vào các mô hình AI, ngay cả những giọng nói kỹ thuật chính xác cũng có thể cảm giác không phù hợp hoặc gây nhầm lẫn cho người dùng từ các nền văn hóa khác nhau. Sự thực tế đích thực đòi hỏi khả năng thích nghi với giọng điệu và phong cách dựa trên kỳ vọng của bất kỳ người dùng nào.

Khi tính đến tất cả những yếu tố tinh tế nhưng quan trọng này, trở nên rõ ràng rằng giọng nói AI không chỉ phải “nghe” như con người mà còn “phản ứng” trong thời gian thực như con người. Đó là lý do tại sao độ trễ là một yếu tố quan trọng trong việc đánh giá giọng nói AI cảm giác như thế nào. Trong cuộc trò chuyện tự nhiên, con người nói xen kẽ với khoảng thời gian trung bình là 250 mili giây. Bất kỳ khoảng thời gian nào lâu hơn sẽ cảm giác như lag, thiếu chú ý hoặc bối rối. Sự khác biệt tinh tế giữa một khoảng ngừng nghĩ và một độ trễ kỹ thuật có thể đủ để phá vỡ ảo giác về cuộc trò chuyện tự nhiên và làm cho giọng nói cảm giác ít chú ý hơn.

Tại sao điều này quan trọng

Tiếp theo, thị trường sẽ tự nhiên ưu ái cho các công ty có thể cung cấp cả sự thực tế và khả năng phản hồi trong thời gian thực.

Đối với các đại lý và trợ lý AI, việc áp dụng và duy trì sự tham gia của người dùng phụ thuộc vào việc liệu mọi người có muốn tương tác với công nghệ hay không. Sự khác biệt giữa một công cụ mà mọi người thử một lần và một công cụ mà mọi người dựa vào mỗi ngày là chất lượng của trải nghiệm trò chuyện.

Trong ngành công nghiệp giải trí, sự nhập vai và giữ chân khán giả phụ thuộc vào việc nội dung có đáng tin cậy hay không, và một dòng không tự nhiên duy nhất có thể phá vỡ sự tham gia của người xem. Giọng nói AI được sử dụng trong lồng tiếng hoặc biểu diễn nhân vật phải hoàn toàn tích hợp vào câu chuyện để duy trì tác động cảm xúc.

Đối với hỗ trợ khách hàng, sự tin cậy và đồng cảm là tối quan trọng, đặc biệt là khi nhiều tương tác khách hàng xảy ra trong những khoảnh khắc thất vọng hoặc bối rối. Một giọng nói cảm giác cứng nhắc hoặc không đồng cảm có thể làm trầm trọng thêm tình huống thay vì giải quyết nó. Người dùng mong đợi giọng nói có thể phản ánh sự quan tâm, kiên nhẫn hoặc sự an ủi, không chỉ cung cấp các phản hồi đã được viết sẵn.

Cái gì tiếp theo

Các công ty sẽ thắng trong cuộc đua giọng nói AI sẽ là những công ty thấu hiểu sự tinh tế về mặt cảm xúc, hiểu biết về sự thay đổi ngữ cảnh và văn hóa, phản hồi tức thời và trơn tru, và cung cấp những trải nghiệm không thể phân biệt được với việc trò chuyện với con người.

Trong một thị trường mà bất kỳ ai cũng có thể tạo ra một giọng nói AI và kỳ vọng của người dùng thay đổi theo, “đủ tốt” sẽ nhanh chóng không còn tốt. Cách duy nhất để duy trì tính cạnh tranh sẽ là tạo ra những giọng nói AI mà mọi người có thể dễ dàng quên rằng đó là AI.