PolyAI અને Otter.ai જેવી દિગ્ગજ કંપનીઓ માને છે કે Voice AI હજુ તેના 'ChatGPT મોમેન્ટ' થી દૂર છે. લેટન્સી (Latency) અને ટ્રાન્સક્રિપ્શનની ભૂલો ટેકનોલોજીના માસ એડોપ્શનમાં સૌથી મોટો અવરોધ બની રહી છે.
એન્ટરપ્રાઈઝ વોઈસ આર્ટિફિશિયલ ઈન્ટેલિજન્સ સેક્ટરમાં જંગી રોકાણ આવી રહ્યું છે. તાજેતરમાં PolyAI એ $86 મિલિયન નું ફંડિંગ મેળવીને $750 મિલિયન નું વેલ્યુએશન હાંસલ કર્યું છે. જોકે, આટલા મોટા મૂડીરોકાણ છતાં, આ ટેકનોલોજી હજુ ટેક્સ્ટ-બેઝ્ડ જનરેટિવ મોડલ્સ જેવો અનુભવ આપવામાં નિષ્ફળ રહી છે.
લેટન્સી (Latency) નો મોટો પડકાર
વોઈસ AI માટે સૌથી મોટો પડકાર 'લેટન્સી' છે—એટલે કે યુઝરના બોલવા અને AI ના જવાબ આપવા વચ્ચેનો સમય. હાલના સિસ્ટમ્સ ડ્યુઅલ કમ્યુનિકેશન કરી શકે છે, પરંતુ તેના 'મગજ' માં કુદરતી વાતચીત માટે જરૂરી ઝડપનો અભાવ છે. જો AI ત્વરિત જવાબ ન આપી શકે, તો તે ગ્રાહકોનો વિશ્વાસ જીતવામાં નિષ્ફળ જાય છે, જે હ્યુમન એજન્ટ્સને રિપ્લેસ કરવાના બિઝનેસ પ્લાન પર પાણી ફેરવે છે.
વિશ્વસનીયતા અને ટ્રાન્સક્રિપ્શનનું જોખમ
Automated Speech Recognition (ASR) ની ચોકસાઈ હજુ પણ નબળી છે. જો એન્જિન એક નાનકડા શબ્દને પણ ખોટી રીતે સમજે, તો મીટિંગ સમરીથી લઈને ડેટા એન્ટ્રી સુધીનું બધું જ કામ ખોરવાઈ જાય છે. Otter.ai જેવી કંપનીઓ પણ સ્વીકારે છે કે ટ્રાન્સક્રિપ્શનમાં થતી ભૂલો એન્ટરપ્રાઈઝ યુઝર્સનો વિશ્વાસ તોડે છે. જ્યાં સુધી ASR લેયર એકદમ સચોટ ન બને, ત્યાં સુધી આ ટેકનોલોજી માત્ર મર્યાદિત સાધન બની રહેશે.
માર્કેટ અને નિયમનકારી પડકારો
એક અંદાજ મુજબ, 2032 સુધીમાં આ માર્કેટ $14 અબજ સુધી પહોંચી શકે છે. જોકે, કંપનીઓ હવે નૈતિક પારદર્શિતા (Ethical Transparency) પર ધ્યાન આપી રહી છે, જેથી યુઝર્સને ખબર પડે કે તેઓ AI સાથે વાત કરી રહ્યા છે. હવે જોવાનું એ છે કે ડેવલપર્સ આ 'અનકેની વેલી' (Uncanny Valley) ના પ્રભાવમાંથી બહાર નીકળીને કેટલા સચોટ અને ભરોસાપાત્ર એજન્ટ્સ બનાવી શકે છે.