Pavel Osokin, Co-Founder & CEO of AMAI – Intervieuserie

Pavel Osokin er Co-Founder & CEO af AMAI, en San Francisco-baseret startup, der producerer AI-lydmaskiner. Pavel leder driften og strategien for Amai med en professionel ambition om at installere dens stemmeteknologi i hver telefon i verden. I AMAI har de udviklet en AI-stemme, der ikke kan skelnes fra en rigtig menneskelig tale af 97% af brugerne.

Du har været en livslang iværksætter, der startede dit første firma i en alder af 13 år, hvad var dit første forsøg på at starte en forretning, og hvad motivere dig til at have denne iværksætterånd?

Jeg kaldte det ikke rigtigt et firma, men jeg tjente mine første penge ved at gensælge nogle ting eller bare vaske biler på gaden med en spand. Min motivation var, at jeg ville have en Coke eller en Snickers, og mine forældre havde ikke noget penge. Jeg kunne enten vente, til pengene dukkede op, eller tjene dem selv. At vente har ikke noget tiltrækkende på mig.

Kan du dele historien bag AMAI?

Jeg spurgte min partner: “Hvad søger virksomheder over hele verden?” I den samtale indså jeg, at hver virksomhed søger efter en “salg”. Vi startede med at lave robotter, der kunne korrespondere med kunder og sælge produkter via mail og messager. På den anden side var det ikke noget særligt nyt, da der allerede findes mange chatbots. Så vi tænkte, at hvis disse robotter også kunne ringe, ville det være fedt. Da der kun var få gode løsninger på markedet, skabte vi en prototype af vores egen syntetiserede stemme, og efter de første salg, opgav vi robotterne og fokuserede på TTS.

Hvad står AMAI specifikt for?

Dette står for Jeg er AI (Jeg er kunstig intelligens).

Kan du diskutere nogle af udfordringerne ved at designe state-of-the-art tekst-til-tale-teknologi?

At designe state-of-the-art TTS tilbyder flere udfordringer. Den første er at samle datasets. Træning af et neuralt netværk kræver kvindelige og mandlige stemmer i forskellige aldre, og jo mere, desto bedre. For det andet skal du opnå en meget tæt lighed med en naturlig stemme. Den bedste metode er at teste forskellige maskinlæringsmodeller og at eksperimentere konstant med forskellige tilfælde af stemmebrug: specifikt skal du finde det mest problematiske eksempel og behandle det separat. Når det kommer til langsigtede udfordringer, kan det være svært at vurdere, om stemmen er blevet bedre eller værre, og i hvilken retning den skal forbedres.

Hvad er nogle af udfordringerne ved talegenkendelse, når det kommer til menneskers interaktion med AMAI-stemme-AI?

Der er hundredvis af virksomheder, der arbejder på talegenkendelse, fordi det er lettere at udvikle. Problemet, der i øjeblikket ikke har nogen løsning, er genkendelse af et barns stemme. Børn har mange talekarakteristika i en ung alder, så det er svært at tage alle disse med i betragtning. Alligevel har vi arbejdet på en løsning til dette problem, og vi er meget tæt på at annoncere resultaterne – så snart vil vores AI ikke have nogen problemer med at interagere ikke kun med voksne, men også med børn.

Hvad er nogle populære brugsområder for AMAI?

I øjeblikket er det lydbogsdubning og virksomhedsbrug i callcenter.

Hvilke sprog er i øjeblikket tilgængelige, og hvilke sprog arbejdes der i øjeblikket på?

Vores flersproglige system omfatter to sprog, russisk og engelsk. Ideen er, at en stemme skabt i ét sprog kan tale alle andre sprog i vores model også. I øjeblikket samler vi data for 40 flere sprog, og meget snart vil vi have 42.

Hvad er din vision for fremtidens AI-stemmeassistent?

Det er min overbevisning, at stemmeassistenter vil flytte ind i metaverset, og vi studerer disse muligheder nu. Hvis du integrerer assistenten med smarte højttalere eller webbrowseren, vil flere mennesker bruge stemmesøgning og interagere med assistenten hver dag. Du kan tale med din køleskab eller TV.

Er der noget andet, du gerne vil dele om AMAI?

AMAI bruger kun sine egne proprietære teknologier.

Tak for interviewet, læsere, der ønsker at lære mere, skal besøge AMAI.