La voce è uno degli strumenti più potenti e intimi dell’interazione umana, capace di trasmettere emozioni, intenzioni e sfumature attraverso variazioni di tono, ritmo e intensità. Tuttavia, le attuali tecnologie di assistenza vocale spesso mancano di questa profondità, risultando piatte e prive di empatia. Questo limite non solo riduce l’efficacia delle interazioni, ma può anche portare a una sensazione di disagio nota come “uncanny valley”.
Sesame, azienda all’avanguardia nella ricerca sull’intelligenza artificiale, sta affrontando direttamente questa sfida. Il loro obiettivo è raggiungere quella che definiscono “presenza vocale”: la qualità magica che rende le interazioni parlate reali, comprese e valorizzate. Per farlo, stanno sviluppando partner conversazionali che non si limitano a elaborare richieste, ma si impegnano in dialoghi genuini che costruiscono fiducia e confidenza nel tempo.
I componenti chiave di questa rivoluzione includono:
- Intelligenza emotiva: la capacità di leggere e rispondere ai contesti emotivi.
- Dinamiche conversazionali: gestione naturale di tempi, pause, interruzioni ed enfasi.
- Consapevolezza contestuale: adattamento del tono e dello stile in base alla situazione.
- Personalità coerente: mantenimento di una presenza affidabile e appropriata.
Per raggiungere questi obiettivi, Sesame ha introdotto il Conversational Speech Model (CSM), un modello che inquadra il problema come un compito di apprendimento multimodale end-to-end utilizzando trasformatori. Questo approccio sfrutta la storia della conversazione per produrre una voce più naturale e coerente. A differenza dei modelli tradizionali di text-to-speech (TTS), che generano output parlato direttamente dal testo ma mancano di consapevolezza contestuale, il CSM opera come un modello a stadio singolo, migliorando efficienza ed espressività.
Un aspetto innovativo del CSM è la sua capacità di affrontare il problema del “one-to-many”, dove esistono innumerevoli modi validi per pronunciare una frase, ma solo alcuni si adattano a un determinato contesto. Senza informazioni aggiuntive, come tono, ritmo e storia della conversazione, i modelli mancano dei dati necessari per scegliere l’opzione migliore. Il CSM supera questa limitazione integrando il contesto conversazionale, permettendo una generazione vocale più naturale.
Per dimostrare i progressi compiuti, Sesame ha presentato una demo con due assistenti virtuali, Maya e Miles, ottimizzati per cordialità ed espressività. Questa demo illustra il potenziale dell’approccio di Sesame nella generazione del parlato conversazionale, offrendo agli utenti un assaggio di interazioni vocali più coinvolgenti e realistiche.
Qui il link del comunicato ufficiale: https://www.sesame.com/research/crossing_the_uncanny_valley_of_voice
