SULAWESI TENGGARA — Platform voice AI perusahaan PolyAI menilai teknologi suara belum mencapai titik terobosan setara ChatGPT karena masalah penalaran cepat dan akurasi konteks. CTO PolyAI Shawn Wen menyatakan model full-duplex sudah tercapai, tetapi kecepatan penalaran masih jadi hambatan utama. Sementara Otter menyoroti pentingnya akurasi transkripsi sebagai fondasi seluruh otomatisasi layanan.
Adopsi voice AI di sektor perusahaan terus tumbuh, ditandai derasnya investasi ke startup pengembang model, layanan pelanggan, hingga pencatat rapat otomatis. Namun para eksekutif di balik teknologi ini menilai kematangan produk masih jauh dari klaim pemasaran. Dua nama yang paling vokal soal keterbatasan itu adalah PolyAI dan Otter.
CTO PolyAI Shawn Wen mengakui industri sudah melewati tonggak model full-duplex, yakni kemampuan berbicara sambil mendengarkan lawan bicara. Persoalan berikutnya adalah membuat penalaran berjalan sangat cepat agar model bisa mengambil jawaban dalam hitungan milidetik dan percakapan terasa alami.
Menurut Wen, agen AI di layanan pelanggan tidak boleh terdengar seperti robot. Agen harus memberi cukup keyakinan kepada penelepon bahwa masalah mereka bisa diselesaikan tanpa eskalasi ke manusia.
"Saya rasa tahap berikutnya akan sedikit berbeda karena begitu suaranya cukup baik dan pelanggan mau berinteraksi untuk dua atau tiga giliran pertama, mereka mulai membangun kepercayaan," ujarnya dalam sesi panggung HumanX.
CMO Otter Alex Gay menilai identifikasi pembicara, penangkapan maksud, dan penulisan ulang dengan pengetahuan organisasi adalah langkah kunci untuk mengaktifkan otomatisasi. Otter tengah menggarap digital twin yang bisa mewakili seseorang dalam rapat.
Untuk teknologi itu, Gay menekankan output suara harus mampu menyampaikan ekspresi emosional setara percakapan manusia. Tanpa kemampuan debat dan diskusi strategis, avatar hanya akan jadi chatbot tanya-jawab biasa.
Gay mengakui model ASR (Automatic Speech Recognition) kerap melewatkan kata kunci penting sehingga konteks keseluruhan hilang. Baginya transkripsi bukan tujuan akhir, melainkan lapisan awal untuk mendorong produktivitas.
"Kalau transkripsi awal tidak punya akurasi yang dibutuhkan, semua tindakan lanjutan jadi cacat. Begitu sistem mulai mengambil tindakan yang salah, kepercayaan pada platform hilang," kata Gay.
Wen menyoroti masalah serupa dari sisi model ASR yang sering gagal menangkap kata kunci penting. Akibatnya, lapisan konteks di seluruh pipeline percakapan ikut rusak dan respons yang dihasilkan tidak relevan.
Isu transparansi juga mengemuka seiring makin banyaknya alat suara baru. Perangkat wajib memberi tahu pelanggan bahwa mereka sedang direkam atau sedang berbicara dengan AI.
Otter menyatakan ingin menumbuhkan kepercayaan peserta rapat. Bahkan untuk rapat tanpa kehadiran bot, perusahaan mencoba metode seperti memberi notifikasi di chat bahwa rapat sedang direkam.
Wen menambahkan, prinsip serupa berlaku di panggilan perusahaan. Pengguna harus diberi kepastian bahwa lawan bicara mereka adalah AI, bukan staf manusia.
Kesenjangan antara klaim dan realitas voice AI berdampak langsung ke pelaku bisnis digital di Indonesia yang mulai mengadopsi agen suara untuk layanan pelanggan. Investasi ke teknologi ini berisiko sia-sia jika akurasi transkripsi dan penalaran cepat belum matang.
Bagi investor startup, pernyataan PolyAI dan Otter menjadi sinyal bahwa diferensiasi produk tidak lagi soal kualitas suara, melainkan kemampuan memahami konteks dan membangun kepercayaan pengguna. Regulasi pelindungan data pribadi di Indonesia juga menuntut transparansi serupa saat AI merekam percakapan.
Sejumlah pengembang voice AI di Asia Tenggara kini berlomba menyiapkan model yang mendukung bahasa Indonesia dan bahasa daerah. Tantangan akurasi ASR di pasar multilingual seperti Indonesia diprediksi lebih berat dibanding pasar berbahasa Inggris.