音声AIと聞くと、どんな使い方を思い浮かべます？
天気を聞いたり、気になったことを質問したり、返ってきた答えを音声で聞く。
これまでは、こうした一問一答の使い方が主でしたよね？
ところが今、音声AIの役割が少しずつ変わり始めてきているんですよ。
注目したいのは、声が人間らしくなったことだけではなく、ファイルや過去のプロジェクトを参照しながら、進行中の作業を会話で続けられるようになってきたんです！
ChatGPT Voiceでは、ファイルをアップロードし、その内容について質問したり分析したりできるようになり、さらにProjects内でも、最近の会話やソース、プロジェクト指示を参照しながら音声でやり取りすることができるんです。
つまり、AIに毎回ゼロから状況を説明するのではなく、すでにある作業の続きを音声で進められるようになってきたということなんです。
これ、逆に人間の方が会話を忘れそう・・・。
これまでの一問一答型の音声AIでは、質問と回答がひとつのまとまりになっていました。
しかし、これがファイルやProjectsを参照できるようになるのであれば、会話は単発では終わりませんし、資料の内容を確認したり、以前のやり取りを踏まえて相談したりと、進行中の仕事につなげられますよね。
なんでも、GPT-Liveは、聞くことと話すことを同時に行える全二重方式を採用しているのだそうで、会話を止めず、必要に応じて高度な推論やツール利用を別のモデルへ委譲する設計となっているようで、ChatGPT Voiceも、決められた言葉だけを受け付けるものではなく、自然で自由形式の会話を前提として作られているようです。
結局、自然な音声会話と作業の文脈が組み合わさることで、AIは「質問に答える道具」から「会話しながら作業を進める相手」に近づいているといっても過言ではありません。
これ、仕事や生活の中でAIを使える場面を大きく広げていく可能性がありますよね。
たとえば、資料を見ながら内容を確認し、移動中にプロジェクトの続きを相談したり、家事をしながら、進行中の作業について考えを整理することも可能。
これまでキーボードが必須だった作業に、人の言葉によって指示、相談できるようになるわけですから、AI利用する物理的な制限が一気に取り払われますよね。
これまでのAI利用は、複雑な作業となると画面の前に座って文字を入力する必要があり、時間や場所といった制約が出てくる物でした。
しかし、音声で文脈を引き継げられるようになると、AIを使うために作業を中断する理由はなくなり、仕事や生活の流れの中でそのまま会話を続けられるようになります。
本質的には、操作方法が文字から音声へ変わるだけではなく、AIとのやり取りそのものが、独立した質問から継続的な作業へ変わり始めているわけなんですよね。
とはいえ、この便利さだけを見るわけにはいきません。
音声認識を誤ったまま会話が進んでしまうと、利用者が意図していない内容を前提に作業が続く可能性もありますし、この辺は注意が必要。
文字入力とは異なり、AIがどのように聞き取ったのかを確認することはできませんし、話し方次第では次の話題へ進んでしまうことも考えられます。
だからこそ、重要な内容では、AIが何を受け取り、どのように処理したのかを確認する必要があります。
また、先ほどと矛盾がでてくるのですが、利用する場所にも注意が必要。
というのも、移動中や家事中に使いやすくなっても、仕事の相談や資料の内容を声に出せば、周囲に聞かれる可能性がありますし、どこでも使えるからこそ、どこで何を話すのかを意識しなければなりません。
私たちが考えたいのは、音声AIが便利かどうかだけではなく、どのような作業なら安心して任せられるのかということ。
今後の評価軸としては、日本語での認識精度、音声から行える操作の範囲、対応端末の広がりが挙げられます。
スマートフォンだけでなく、イヤホンやウェアラブルへ利用場面が広がるかどうかも、音声AIが日常の作業にどこまで入り込むかを見るうえで重要で、この進化はひょっとすると明日、1週間後には進んでいる可能性もあります。
音声AIの進化は、声がどれだけ自然かという基準だけでは測れなくなりつつあります。
作業の文脈をどこまで正確に引き継げるのか？手を使わずにどこまで作業を進められるのか？
そして、その過程をどこまで安全に確認できるのか。
AIに話しかけて答えを聞くことから、AIと話しながら作業を続けるようになった今、次はどんなステージに向かっていくのでしょうかね。
