على الرغم من التقدم السريع في تكنولوجيا الذكاء الاصطناعي الصوتي، يعتقد تنفيذيو القطاع أن المجال لم يشهد بعد 'لحظة ChatGPT' — الاختراق الذي جلب الذكاء الاصطناعي النصي إلى الاهتمام السائد وحول الإدراك العام لقدرات الذكاء الاصطناعي.
يشير تنفيذيون من شركات الذكاء الاصطناعي الرائدة إلى عدة عوامل تعيق اعتماد الذكاء الاصطناعي الصوتي: مشاكل زمن الاستجابة التي تجعل المحادثات تبدو غير طبيعية، تحديات الدقة في البيئات الصاخبة حيث تتداخل الأصوات الخلفية مع التعرف على الكلام، وغياب التطبيق القاتل المقنع الذي يوضح قيمة واضحة على الواجهات الحالية مثل الهواتف الذكية ولوحات المفاتيح.
يواجه الذكاء الاصطناعي الصوتي عقبات تقنية فريدة مقارنة بالأنظمة النصية. متطلبات المعالجة في الوقت الفعلي تعني أن النظام يجب أن يستجيب في أجزاء من الثانية ليبدو محادثياً، واختلافات اللهجات عبر المناطق والديموغرافيات تخلق فجوات دقة، والحاجة إلى تدفق محادثة طبيعي بما في ذلك تناوب الأدوار والمقاطعات والفهم السياقي تجعل التفاعلات الصوتية أكثر تعقيداً بشكل كبير لإتقانها من توليد النصوص.
لكن المستثمرين والمطورين يبقون متفائلين حول مسار التكنولوجيا. التحسينات الأخيرة في النماذج متعددة الوسائط التي تجمع بين الصوت والرؤية والنص تشير إلى أن الذكاء الاصطناعي الصوتي يمكن أن يشهد لحظة اختراقه خلال الـ 12-18 شهراً القادمة مع انخفاض زمن الاستجابة إلى ما دون عتبة الإدراك البشري وتحسن الدقة عبر أنماط الكلام المتنوعة. تركز عدة شركات ناشئة على قطاعات محددة مثل الرعاية الصحية وخدمة العملاء والسيارات حيث توفر واجهات الصوت مزايا واضحة على البدائل القائمة على اللمس.
الإجماع بين قادة القطاع هو أن لحظة الذكاء الاصطناعي الصوتي ستأتي، لكنها تتطلب حل تحديات تقنية أساسية بدلاً من مجرد توسيع المقاربات الحالية. الشركات التي ستنجح ستكون على الأرجح تلك التي تحدد حالات استخدام محددة حيث يوفر الصوت مزايا حقيقية على الواجهات الحالية، بدلاً من محاولة استبدال كل التفاعل بين الإنسان والحاسوب بالصوت.