Matt Hocking, spoluzakladatel WellSaid Labs – rozhovor

Matt Hocking je spoluzakladatel WellSaid Labs, vedoucí společnosti v oblasti podnikového AI Voice Generatoru. Má více než 15 let zkušeností s vedením týmů a dodávkou technologických řešení ve velkém měřítku.

Vaše pozadí je poměrně podnikatelské, jak jste se最初 zapojil do oblasti AI?

Dokud jsem se považoval za poměrně podnikatelského. Po ukončení vysoké školy jsem založil svou první firmu a s pozadím v oblasti produktového designu jsem se často zaměřoval na pomoc lidem s nápady v rané fázi. Během své kariéry jsem měl štěstí a mohl pracovat s mnoha startupy, které měly později velmi úspěšný vývoj. Tyto zkušenosti mě inspirují k tomu, abych sledoval své vlastní nápady jako zakladatel. AI byla pro mě relativně nová, když jsem se připojil k AI2, ale tato zkušenost mi poskytla příležitost aplikovat své znalosti z oblasti produktů a startupů na skutečně úžasné výzkumy a představit si, jak tyto nové pokroky budou moci pomoci mnoha lidem v následujících letech. Mým cílem od začátku bylo vyvinout skutečné podniky pro skutečné lidi a věřím, že AI má potenciál vytvořit mnoho zajímavých příležitostí a efektivit v naší budoucnosti, pokud bude aplikována uvážlivě.

Můžete sdílet příběh o tom, jak vznikl nápad na WellSaid Labs, když jste byl podnikatelským rezidentem v The Allen Institute for AI?

Připojil jsem se k The Allen Institute for Artificial Intelligence (AI2) jako podnikatelský rezident v roce 2018. Jedná se o pravděpodobně nejvíce inovativní inkubátor na světě, AI2 sdružuje nejchytřejší myslitelé v oblasti AI, kteří aplikují řešení z okraje toho, co je možné dnes, na hmotné produkty, které řeší problémy po celém světě. Můj background v designu a technologii podporoval můj dlouhodobý zájem o kreativní obory a s boomem AI, který všichni nyní svědkujeme, chtěl jsem prozkoumat způsob, jak spojit tyto dvě oblasti. Seznámil jsem se s Michaelem Petrochukem (spoluzakladatelem a technickým ředitelem WellSaid Labs) při vývoji interaktivní zdravotnické aplikace, která pacienta provázela různými citlivými scénáři. Během procesu vývoje obsahu pro tuto aplikaci moje tým spolupracoval s hlasovým talentem, aby nahrál tisíce řádků hlasu pro avatar. Když jsem byl seznámen s některými průlomy, kterých Michael dosáhl během svého výzkumu, jsme oba rychle uznali hodnotu toho, jak lidská rovnocennost text-to-speech (TTS) mohla transformovat nejen produkt, na kterém jsem pracoval, ale také ovlivnit řadu dalších aplikací a odvětví. Technologie a nástroje měly potíže s držením kroků s potřebami producentů, kteří vytvářejí s hlasem jako médiem. Viděli jsme cestu k tomu, aby tuto technologii dali do rukou všech tvůrců, aby hlas mohl být integrovanou součástí všech příběhů.

WellSaid Labs je jednou z mála společností, která nabízí hlasovým hercům cestu do prostoru AI hlasových prémií. Proč jste věřili, že je důležité integrovat skutečné hlasy do produktu?

Náš odpověď je dvousměrná: první, chtěli jsme vytvořit řešení, která doplňují schopnosti profesionálních hlasových herců, rozšiřují příležitosti pro hlas. A za druhé, usilujeme o to, aby naše produkty měly nejvyšší úroveň lidské kvality. Naši hlasoví herci jsou dlouhodobými spolupracovníky a dostávají odměnu a podíl na příjmu za svá hlasová data a následný obsah vyrobený s nimi. Každý hlasový herec, kterého najmeme, aby vytvořil AI hlasový avatar na základě podobnosti jeho hlasu, je placen na základě toho, jak často je jeho hlas použit na naší platformě. Povzbuzujeme talent, aby spolupracoval s námi; spravedlivá odměna za jejich příspěvky je pro nás nesmírně důležitá.

Abyste mohli nabízet produkty s nejvyšší lidskou kvalitou na trhu, musíte být přísní ohledně zdrojů, ze kterých získáváte svá data. Tento proces nám dává větší kontrolu nad kvalitou, protože naše hluboké učící modely učí mluvit nejen lidsky, ale také v kontextuálně relevantních stylech. Nemluvíme pouze o vytvoření hlasu, který recituje zadaný vstup. Naši modely nabízejí řadu hlasových stylů, které vykonávají to, co je na stránce. Bez ohledu na to, zda uživatelé vytvářejí hlasový komentář pomocí avataru z naší knihovny nebo vytvářejí hlasový komentář s vlastním hlasem pro svou značku, používáme skutečná hlasová data, aby byla zajištěna bezproblémová a snadno použitelná platforma. Pokud by naši zákazníci museli manipulovat a upravovat naše hlasy v postprodukci, proces získání požadovaného výstupu by byl neohrabaný a dlouhý. Naši hlasy berou v úvahu kontext psaného obsahu a poskytují kontextuálně přesné čtení. Nabízíme hlasy pro všechny typy použití – ať už se jedná o čtení zpráv, vytváření audio reklamy nebo automatizovanou podporu call centra – takže partnerství s profesionálními hlasovými herci pro každý případ použití nám poskytuje kontext a kvalitní hlasová data.

Pravidelně aktualizujeme a přidáváme nové styly a akcenty do naší avatar knihovny, abychom zajistili, že reprezentujeme hlasy našich zákazníků. V WellSaid Labs’ Studio mohou zákazníci a značky slyšet různé hlasy na základě regionu, stylu a případu použití, což umožňuje bezproblémovou a sjednocenou produkci audio obsahu personalizovaného podle potřeb tvůrce. Jakmile je proveden počáteční záznam, uživatelé mohou vyvolat konkrétní slova, pravopis a výslovnost, aby zajistili, že AI konzistentně mluví specificky podle jejich potřeb.

WellSaid Labs se staví jako první etická AI hlasová platforma. Proč jsou AI etika důležitá pro vás?

Jak se adopce AI zvyšuje a stává se více mainstreamovou, obavy z škodlivých případů použití a špatných herců jsou v centru každé konverzace – a tyto obavy jsou bohužel potvrzovány skutečnými událostmi. AI hlas není výjimkou; téměř každý den je zveřejněna nová zpráva o tom, že celebrity, veřejná osobnost nebo politik jsou hluboce padělatelní pro reklamní nebo politické účely. Ačkoli formální federální regulace týkající se této technologie se stále vyvíjí, detekce a boj proti škodlivým hercům a případům použití syntetického hlasu se bude stále více komplikovat, jakmile se technologie bude dále rozvíjet.

Přicházející z AI2, kde je etika AI základním principem, Michael a já jsme měli tyto konverzace od prvního dne. Vývoj AI řečové technologie přináší významné odpovědnosti týkající se souhlasu, ochrany osobních údajů a celkové bezpečnosti. Vědíme, že jako vývojáři musíme naše technologii vyvíjet bezpečně, řešit etické obavy a položit základy pro budoucí vývoj syntetických hlasů. Uznáváme potenciál AI řečové technologie pro zneužití a přijímáme odpovědnost za snížení potenciálu zneužití našeho produktu. Musíme položit tyto základy od prvního dne, spíše než spěchat a dělat chyby na cestě. To by nebylo správné pro naše podnikové zákazníky a hlasové herce, kteří se na nás spoléhají, že vytvoříme vysoce kvalitní a důvěryhodný produkt.

Plně podporujeme výzvu k legislativě v tomto oboru; nicméně nebudeme čekat na federální regulace, které budou přijaty. Prioritizujeme a budeme i nadále prioritizovat postupy, které podporují ochranu osobních údajů, bezpečnost, transparentnost a odpovědnost.

Řídíme se přísně podle našeho firemního etického kodexu, který je založen na budování zodpovědné inovace při každém rozhodnutí, které činíme. To je v nejlepším zájmu našich globálních zákazníků – podnikových značek.

Jak vyvíjíte etickou AI hlasovou platformu?

WellSaid Labs se od začátku zavázala k etické inovaci. Centralizujeme důvěru a transparentnost prostřednictvím použití interních datových modelů, explicitních požadavků na souhlas, našeho programu moderování obsahu a našeho závazku k ochraně značek. V WellSaid se spoléháme na principy zodpovědné AI pro utváření našich rozhodnutí a návrhů, a tyto principy se vztahují na použití našich hlasů. Naši etický kodex reprezentuje tyto principy jako odpovědnost, transparentnost, ochranu osobních údajů a bezpečnost a spravedlnost.

Odpovědnost: udržujeme přísné standardy pro vhodné obsahy, zakazujeme použití našich hlasů pro obsah, který je škodlivý, nenávistný, podvodný nebo určený k podněcování násilí. Naši tým důvěry a bezpečnosti dodržuje tyto standardy s přísným programem moderování obsahu, blokuje a odstraňuje uživatele, kteří se pokusí porušit naše podmínky služby.

Transparentnost: vyžadujeme explicitní souhlas před vytvořením syntetického hlasu s někým jiným hlasovým datem. Uživatelé nemohou nahrát hlasová data od politiků, celebrit nebo kohokoli jiného, aby vytvořili klon jejich hlasu, pokud nemáme jeho písemný souhlas.

Ochrana osobních údajů a bezpečnost: chráníme identitu našich hlasových herců pomocí stockových obrázků a aliasů pro reprezentaci syntetických hlasů. Povzbuzujeme je, aby byli opatrní, jak a s kým sdílejí svou asociaci s WellSaid Labs nebo jinými syntetickými hlasovými společnostmi, aby snížili příležitost k zneužití jejich hlasu.

Spravedlnost: kompenzujeme všechny hlasové herce, kteří poskytují hlasová data pro naší platformu, a poskytujeme jim pokračující podíl na příjmu za použití syntetického hlasu, který s jejich daty vytvoříme.

Spolu s těmito principy také přísně respektujeme duševní vlastnictví. Neclaimujeme vlastnictví nad obsahem poskytnutým našimi uživateli nebo hlasovými herci. Prioritizujeme integritu, spravedlnost a transparentnost ve všem, co děláme, aby byla zajištěna odpovědná a etická syntetická řečová technologie. Aktivně hledáme partnerství s hlasy z různých prostředí, organizací a zkušeností, abychom zajistili, že WellSaid Labs’ knihovna hlasů odráží své tvůrce a publikum.

Naše závazky k odpovědné inovaci a vývoji AI hlasové technologie s etikou na mysli nás odlišují od ostatních v tomto prostoru, kteří se snaží využít novou, neřízenou oblast jakýmkoli způsobem. Naše rané investice do etiky, bezpečnosti a ochrany osobních údajů vytvářejí důvěru a loajalitu u našich hlasových herců a zákazníků, kteří stále více hledají eticky vyrobené produkty a služby od firem, které jsou v čele inovací.

WellSaid Labs vytvořila svou vlastní interní AI model, která umožnila jejím AI hlasům dosáhnout lidské rovnocennosti, a dosáhla toho tím, že přinesla nedokonalosti, které lidé mají v konverzacích. Co je to na těchto nedokonalostech, co dělá AI lepší, a jak jsou tyto nedokonalosti implementovány?

WellSaid Labs není jen další TTS generátor. Zatímco raná TTS technologie nebyla schopna rozpoznat lidské řečové kvality, jako je tón, dialekt a výslovnost, které přinášejí kontext a emoce za slovy, WellSaid hlasy dosáhly lidské rovnocennosti, přinášejí jedinečně lidské nedokonalosti do AI generované řeči.

Naše primární měřítko kvality hlasu je a vždy bylo lidská přirozenost. Toto základní přesvědčení formovalo naši technologii na każdém stupni, od skriptových knihoven, které jsme postavili, po instrukce, které jsme dali talentům, a nedávno, jak jsme iterovali na našich základních TTS algoritmech.

Školíme se na autentických lidských vocalizacích. Naši hlasoví herci čtou své scénáře autenticky a zajímavě, když pro nás nahrávají. Dokonalost řeči je mechanický koncept, který vede k roboticky bezchybnému, nepřirozenému výstupu. Když profesionální hlasoví herci vystupují, jejich tempo řeči kolísá. Jejich hlasitost se mění v souladu s obsahem, který čtou. Jejich hlasová výška může stoupat v pasáži, která vyžaduje nadšený čtení, a klesat v pasáži, která vyžaduje smutnější čtení. Tyto dynamické variace tvoří zajímavý lidský vokální výkon.

Postupem času, jak jsme stavěli AI procesy, které pracují v koordinaci s dynamickými výkony našich profesionálních talentů, jsme postavili skutečně přirozenou TTS platformu. Vyvinuli jsme první dlouhodobou TTS systém s prediktivními kontrolami po celou dobu tvůrčího procesu. Naše fonetická knihovna obsahuje rozmanitou sbírku audio dat, která uživatelům umožňují začlenit specifické vokální signály, jako je výslovnost nebo kontrola, do modelu během produkční fáze. Na jedné platformě mohou uživatelé WellSaid nahrávat, upravovat a stylizovat své hlasové komentáře bez nutnosti importovat externí data.

Můžete diskutovat o některých výzvách spojených s budováním text-to-speech (TTS) AI společnosti?

Vývoj AI hlasové technologie vytvořil zcela novou sadu překážek pro její producenty i spotřebitele. Jednou z hlavních výzev je nevydávat se do hluku a hype, který zaplňuje AI sektor. Jako nová, buzzy technologie se mnoho organizací snaží vydělat na krátkodobém vývoji AI hlasových prémií. Chceme poskytnout hlas pro každého, vedený centrálními etickými principy a autenticitou. Toto dodržování autenticity může zpomalit vývoj a nasazení našich technologií, ale upevňuje bezpečnost a bezpečnost WellSaid hlasů a jejich dat.

Další výzvou při vývoji naší TTS platformy byla tvorba specifických pokynů pro souhlas, aby byla zajištěna, že organizace nebo jednotliví herci nezneužijí naší technologie. Abychom bojovali proti této výzvě, hledáme spolupráci, dlouhodobá partnerství a plně se zapojujeme do vývoje hlasových herců, aby se zvýšila odpovědnost, transparentnost a bezpečnost uživatelů. Aktivně hledáme partnerství s hlasovými herci z různých prostředí, organizací a zkušeností, abychom zajistili, že WellSaid Labs’ knihovna hlasů odráží své tvůrce a publikum. Tyto procesy jsou navrženy tak, aby byly úmyslné a detailní, aby byla zajištěna bezpečnost a etika naší technologie, což může zpomalit vývoj a spuštění.

Jaký je váš výhled do budoucnosti generativních AI hlasů?

Po nejdelší dobu nebyla AI řečová technologie dostatečně kvalitní, aby umožnila společnostem vytvářet smysluplný obsah ve velkém měřítku. Nyní, když audio technologie již nevyžaduje drahá zařízení a hardware, může být veškerý psaný obsah vyroben a publikován v audio formátu, aby se vytvořily zajímavé, multimediální zkušenosti.

Dnes mohou AI hlasy produkovat lidsky podobný audio a zachytit nuance potřebné k tomu, aby se digitální vyprávění stalo více přístupným a přirozeným. Budoucnost generativních AI hlasů bude zahrnovat všechny slyšitelné zkušenosti, které se dotknou každého aspektu našeho života. Jakmile se technologie bude dále rozvíjet, budeme svědky stále více přirozených a expresivních syntetických hlasů, které rozostřou hranici mezi lidsky generovaným a strojově generovaným projevem – otevřou nové dveře pro podnikání, komunikaci, přístupnost a to, jak interagujeme se světem kolem nás.

Společnosti budou moci využít vylepšenou personalizaci v AI hlasových rozhraních a použít je k tomu, aby interakce s virtuálními asistenty byly více imersivní a uživatelsky přívětivé. Tyto vylepšení se již dějí, od inteligentních call center agentů po rychlé občerstvení. Tvorba obsahu, včetně reklamy, produktového marketingu, vyprávění zpráv, podcastů, audioknih a dalších multimediálních médií, uvidí zvýšenou efektivitu pomocí nástrojů pro vývoj zajímavého obsahu – nakonec zvýší zisk a příjmy organizacím, zejména nyní, když multijazyčné modely mohou rozšířit dosah společnosti z jednoho místa původu na globální přítomnost. Produkční týmy budou mít prospěch ze syntetických hlasů, aby vytvořily hlasy na míru potřebám své značky nebo přizpůsobené posluchači.

Než byla zavedena AI, TTS technologie postrádala zásadní lidskou emoci, intonaci a výslovnost, aby mohla vyprávět celý příběh ve velkém měřítku a s lehkostí. Nyní nabízí AI poháněná TTS více imersivní a přístupné zkušenosti, včetně schopností řeči v reálném čase a interaktivních konverzačních agentů.

Dosažení lidsky podobných řečových schopností bylo cestou, ale nyní, když je to dosažitelné, svědkujeme se úplnému rozsahu AI hlasu, aby vytvořil skutečnou obchodní hodnotu pro organizace.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit WellSaid Labs.