A Fish Audio apresentou o Live 3, um modelo de voz para agentes que ouve enquanto fala. A empresa afirma que o modelo pode confirmar que ouviu a pessoa, esperar que ela termine ou parar quando ela mudar de ideia. O menor tempo de resposta divulgado é de 186 milissegundos.
A proposta é lidar com o ritmo irregular das conversas do dia a dia. Alguém pode fazer uma pausa para lembrar um número de telefone, dizer “isso” para mostrar que está ouvindo ou alterar um pedido antes de terminar a frase. Segundo a Fish Audio, o Live 3 pode responder com um breve “hum-hum” ou “certo” sem assumir a conversa, e continuar falando diante de uma simples confirmação.
O tempo de resposta faz parte do modelo
A Fish Audio argumenta que uma resposta rápida nem sempre chega na hora certa. Muitos agentes de voz coordenam reconhecimento de fala, raciocínio, geração de voz e alternância de turnos em partes separadas do sistema. Já o Live 3 incorpora o ritmo da conversa ao modelo de fala, segundo a empresa.
O modelo foi treinado com conversas humanas para aprender quando confirmar que ouviu, esperar, responder ou parar, de acordo com Rissa Cao, cofundadora e CEO da Fish Audio. Entre os exemplos da empresa estão uma pessoa informando um número em partes e alterando um pedido de pizza no meio da conversa. São demonstrações da Fish Audio, não testes independentes do desempenho do Live 3 em diferentes chamadas ou em ambientes ruidosos.
Onde é possível usar o Live 3?
Segundo a Fish Audio, o Live 3 está disponível na Agent Platform e por meio de API, com opção de implantação local para empresas. No lançamento, o modelo oferece suporte ao inglês. A empresa diz que os clientes fornecem as instruções, ferramentas e fluxos de trabalho dos agentes; o Live 3 cuida da fala e do ritmo da conversa.
Por que importa
Para empresas que desenvolvem agentes telefônicos para reservas, pedidos ou atendimento, o Live 3 foi projetado para permitir que as pessoas corrijam o que disseram ou interrompam sem precisar recomeçar a conversa. A Fish Audio não divulgou resultados de desempenho independentes, então ainda não está claro com que confiabilidade o modelo lida com chamadas reais.
