作者：SRAM
以前接到機械人電話，聽兩句就想收線。語氣生硬、停頓奇怪，你未講完，佢已經照稿讀下一句。
但當 AI 開始識停頓、接話，甚至用帶有情緒嘅聲線回應，你仲可唔可以靠「聽落似唔似真人」，判斷電話另一端係邊個？
Jack Dorsey 旗下公司 Block 最近公布語音 AI 模型 Dessa。根據官方介紹，模型由真人對話聲音從頭訓練，冇使用文字或預先訓練模型，目標係令交流保留語氣、情緒同自然節奏。佢採用「全雙工」語音互動，即係講嘢同時亦可以聆聽，唔使每次等一方完全講完先接話。目前仍屬研究預覽。
呢個方向最值得留意嘅，係聲音本身帶住幾多意思。
同樣一句「冇問題」，可以係爽快答應，亦可以係勉強接受。「我冇事」可以令人放心，也可能因為聲線顫抖，反而令人更加擔心。
如果對話只剩低文字，呢啲差別就容易消失。語音 AI 想令人覺得自然，要處理嘅遠遠超過發音清楚。
對日常使用而言，呢個發展有吸引力。試想像你打電話改預約，講到一半改口，系統可以跟住調整；你未講清楚要求，佢懂得適時問一句，而唔係迫你由頭再嚟。呢啲都係自然語音互動值得追求嘅體驗，但仍要靠實際應用驗證。
不過，當聲音愈令人放低戒心，信任亦可能建立得太快。
一把聲聽落有耐性、有同理心，唔代表背後嘅答案一定正確，更唔代表對方有權代表銀行、公司，或者你認識嘅人。
呢個問題甚至唔需要去到模仿某個人聲音嘅程度。只要一段對話夠流暢、反應夠自然，我哋就可能下意識將「佢好似明白我」，當成「佢值得相信」。
從產品設計角度，語音 AI 愈成熟，清楚交代身份就愈重要。企業想用佢接待客人，除咗研究聲線夠唔夠親切，亦要諗清楚：幾時交由真人處理？涉及付款或修改資料，點樣確認？講錯咗，又由邊個負責？
Dessa 展示嘅方向，令「同電腦傾偈」變得更值得期待。但自然嘅聲音，始終唔應該代替身份核實同判斷。
當 AI 可以用一把令人安心嘅聲音同你傾偈，你相信嘅究竟係內容，定只係佢講嘢嘅方式？
出處：Block｜Dessa 官方研究預覽。本文包含 SRAM 獨立編輯分析。