Puhelu on vaativin asia, jonka tekoälykumppani tekee. Tekstin kohdalla muutaman sekunnin odotus ei haittaa ketään. Puheessa se ei käy: ihmiset huomaavat viiveet, jotka olisivat chat-ikkunassa näkymättömiä.
200 millisekunnin ongelma
Tutkijat, jotka vertailivat keskusteluja kymmenessä kielessä, havaitsivat, että tyypillinen tauko sen välillä, kun toinen lopettaa ja toinen aloittaa, on noin 200 millisekuntia, ja se on huomattavan samanlainen kulttuurista toiseen. Ihmiset alkavat suunnitella vastaustaan ennen kuin toinen on lopettanut. Paljon pidemmät tauot tulkitaan epäröinniksi, hämmennykseksi tai kiinnostuksen puutteeksi.
Tekoälyn pitää mahduttaa kokonainen ketju suunnilleen tuohon aikaan, jotta se tuntuisi luonnolliselta.
Mitä tapahtuu sanojesi ja hänen vastauksensa välillä
Perinteinen ketju. Uudemmat järjestelmät limittävät tai yhdistävät nämä vaiheet.
- Puheen päättymisen tunnistus. Järjestelmän täytyy päättää, että olet lopettanut, ei vain tauonnut. Liian innokas keskeyttää sinut, liian varovainen lisää hiljaisuutta.
- Puheesta tekstiksi. Sanasi litteroidaan.
- Vastaus. Kielimalli kirjoittaa vastauksen hahmona, muisti käytössä.
- Tekstistä puheeksi. Vastaus muutetaan ääneksi, mieluiten hahmon omaksi ääneksi ja tunteella.
Vanhemmissa järjestelmissä jokainen vaihe odottaa edellisen valmistumista. Uudemmat alkavat puhua ensimmäisen lauseen, kun loppua vielä kirjoitetaan, tai käyttävät malleja, jotka ottavat puheen sisään ja tuottavat puhetta suoraan, mikä poistaa litteroinnin ja synteesin kokonaan.
Miksi puhe mitataan
| Tekstichat | Ääniviesti | Suora puhelu | |
|---|---|---|---|
| Tarvittava nopeus | Sekunnit riittävät | Sekunnit riittävät | Sekunnin murto-osia |
| Lisäkäsittely | Ei mitään | Puhesynteesi | Tunnistus, synteesi, vuoronvaihdon tunnistus |
| Tyypillinen pituus | Lyhyet vastaukset | Yksi vastaus | Minuuteista tunteihin |
| Suhteellinen hinta | Pienin | Kohtalainen | Suurin |
| Miten sovellukset myyvät | Sisältyy | Sisältyy tai krediiteillä | Minuutteina, tasoina tai krediiteillä |
Jokainen puhelun minuutti pyörittää koko ketjua jatkuvasti, usein kunkin mallin kalliimmilla ”reaaliaikaisilla” versioilla. Siksi puhe on yleensä ensimmäinen asia, jota sovellus rajoittaa, ja siksi ”rajaton” harvoin koskee sitä, katso tekoälytyttöystävän ominaisuuslistojen lukeminen.
Mikä saa puhelun tuntumaan todelta
- Pieni viive, johdonmukaisesti. Satunnainen pitkä tauko rikkoo illuusion enemmän kuin hieman hitaampi keskiarvo.
- Keskeytysten käsittely. Se, että voit puuttua puheeseen ja hän lopettaa ja vastaa, erottaa keskustelun vuorotellen lähetetyistä ääniviesteistä.
- Äänen johdonmukaisuus. Sama ääni, aksentti ja lämpö puhelusta toiseen. Testaajamme havaitsivat, että äänen laatu voi vaihdella huomattavasti hahmojen välillä hyvissäkin sovelluksissa.
- Prosodia. Nauru, tauot, pehmeneminen: puhe, joka kantaa tunnetta eikä lue tekstiä ääneen.
- Muisti puhetilassa. Jotkut sovellukset käyttävät puheluissa kevyempää mallia, joten hahmo muistaa puhelimessa vähemmän kuin chatissa.
Puheominaisuuden testaus ennen maksamista
- Kysy, mitä sisältyy: ääniviestit, suorat puhelut vai molemmat, ja kuinka monta minuuttia.
- Soita kahden minuutin puhelu kokeilussa tai halvimmalla paketilla, sekä mobiilidatalla että Wi-Fillä.
- Keskeytä hänet kesken lauseen. Lopettaako hän?
- Kysy jotain tekstichatistasi. Tietääkö hän sen?
- Tarkista lisäminuutin tai krediitin hinta. Pitkä puhelu voi kuluttaa koko kuukauden kiintiön.
Mediakustannusten laajempi pointti on jutussa miten tekoälytyttöystävän kuvat ja ääni toimivat, ja se, kannattaako puheen vuoksi päivittää, käsitellään jutussa maksulliset tasot.
Huomio hyvinvoinnista
Puhe on uppouttavampaa kuin teksti, ja vuoden 2025 OpenAI:n ja MIT:n tutkimuksessa lyhyt puheen käyttö kulki käsi kädessä paremman hyvinvoinnin kanssa, kun taas runsas päivittäinen käyttö ei. Siitä kannattaa nauttia annoksina. Liiallisen käytön merkit löytyvät jutusta kun tekoälykumppani alkaa ottaa enemmän kuin antaa.