Tyler Weitzman, Speechifyn perustaja ja AI-johtaja – Haastattelusarja

Tyler Weitzman on Speechifyn perustaja, tekoälyjohtaja ja presidentti, ja hänet tunnetaan maailman parhaana teksti-ääneksi sovelluksena, jolla on yli 100 000 viisi tähteä. Weitzman on Stanfordin yliopiston valmistunut, jossa hän suoritti matematiikan ja tietojenkäsittelytieteen tutkinnon tekoälylinjalla. Hänet on valittu Inc. -lehden 50 parhaan yrittäjän joukkoon, ja hän on ollut mukana useissa julkaisuissa, kuten Business Insider, TechCrunch, LifeHacker ja CBS. Weitzmanin jatko-tutkinnon tutkimus keskittyi tekoälyyn ja teksti-ääneen, ja hänen loppututkimuksensa oli otsikoitu “CloneBot: Henkilökohtaiset dialogiprediktiot”.

Milloin aloitit ohjelmoinnin, ja mitä sinut aluksi kiinnosti tietojenkäsittelyssä?

Olin lapsena hyvin kiinnostunut Dragon Ball Z:stä, ja halusin oppia animaatioita itse. Opin Adobe (ADBE ) Flashin ja Photoshopin, ja tein oman animaation Gokuista, jonka laitin omalle fanisivulleni. Pian sen jälkeen aloin oppia järjestelmiä ja algoritmeja, ja kun opin, että voisin ohjelmoida ammatikseni, se oli minulle hyvin jännittävää. Luulin, että se oli vain harrastus, kuten pelaaminen.

Sitten aloitit rakentamaan iPhone-sovelluksia 12-vuotiaana. Mitkä nämä sovellukset olivat?

Yksi sovellus oli Black SMS, joka mahdollisti salattujen tekstiviestien lähettämisen. Toinen sovellus oli Frontback, joka mahdollisti samanaikaisen itsestä ja taustasta otettujen valokuvien ottamisen.

Voitko kertoa tutkimuksestasi Stanfordin yliopistossa ja siitä, miten se liittyi luonnolliseen kielen prosessointiin ja puheensynteesiin?

Tutkimukseni käsitteli monia tekoälyverkkojen sovelluksia, mukaan lukien kielen generointimallit, osaanmerkintä, pilkkuprediktiot ja teksti-ääni. Pääasiallinen tavoitteeni oli optimoida tekoälymallien suorituskykyä mobiililaitteissa, mikä suoraan kääntyi Speechifyn offline-ääniin, jotka toimivat jopa lentokoneen tilassa.

Voitko kertoa Speechifyn alkuvaiheista?

Olen itse sokea toisesta silmästäni, ja veljeni Cliff on dyslektikko. Olemme käyttäneet äänikirjoja ja teksti-ääniä jo kauan, jotta pystyisimme pärjäämään koulussa ja nuorempana lukemalla kirjoja kuten Harry Potter. Kun tuli vanhemmaksi ja aloimme käyttää enemmän teknologiaa, aloimme ymmärtää, että voimme rakentaa parempia teksti-ääni-sovelluksia verkkoon ja mobiiliin, joissa on paremmat äänet kiitos tekoälyn kehityksen ja paremman käyttöliittymän. Päätimme siis ryhtyä toimeen ja perustaa Speechifyn.

Mitkä ovat joitain tekoälytekniikoita, joita Speechify käyttää?

Olemme omaksuneet viimeisimmät tekniikat edistyneille generatiivisille arkkitehtuureille – muunnettuja konformeja, suurten esikoulutusmallien, jakautuneiden koulutusmenetelmien, gradientin kertymisen, auto-koodeerattujen latenttien avaruuksien, diffuusion, vastakkaisuuksien verkkojen ja kielimallien kehittämiseen. Käytämme myös tukitekniikoita äänen prosessointiin, kuten fonemisointiin, sävyyn ja tunteisiin, jotta voimme mallintaa puhetta tarkemmin.

Mitkä ovat joitain haasteita teksti-ääni-sovelluksen rakentamisessa?

Yksi tärkeä haaste on rakentaa laadukkaita ääniä, jotka kuulostavat aidoilta ihmisiltä eikä roboteilta. Tavoitteemme on, että ihmiset eivät pysty erottamaan, kuulostaako ääni meidän ääniltämme vai oikean ihmisen ääneltä, jotta käyttäjämme voivat kuunnella sisältöä pitkiä aikoja mukavasti. Toinen haaste on jakaa tekoälymallimme miljoonille käyttäjille. On yksi asia rakentaa laadukkaita tekoälyääniä, mutta toinen asia on varmistaa, että miljoonat käyttäjät ympäri maailmaa löytävät ne ja käyttävät niitä.

Speechify on ykkönen kategoriansa sovelluksena, mihin attribuoit tämän menestyksen?

Uskomme, että olemme rakentaneet markkinoiden parhaat tuotteet niille, jotka haluavat kuunnella tarvitsemaansa lukemista – olivat he opiskelijoita, ammattilaisia, jotka lukevat työtä varten, tai vapaa-ajan lukevia, jotka haluavat vain viihtyä. Meillä on parhaimmat äänet, mukaan lukien julkkikset kuten Snoop Dogg, ja parhaimmat käyttöliittymät, jotta ihmiset voivat helposti ladata ja käyttää haluamaansa sisältöä. Käyttökokemuksemme on myös saumaton koko Speechify-ekosysteemissä – voit aloittaa kuuntelemisen tietokoneella ja siirtää sen helposti puhelimeen jatkaaksesi kuuntelemista.

Mitkä ovat joitain suurimpia käyttötarkoituksia tälle sovellukselle?

Speechifyn generatiivinen tekoäly ratkaisee todellisia ongelmia opiskelijoille, jotka haluavat päästä nopeammin läpi paljon tehtäviä, dyslektikoille ja ADHD-potilaille, jotka kärsivät lukemisvaikeuksista, vanhuksille, joilla on heikko näkö, ammattilaisille, jotka haluavat lukea enemmän ja olla tuottavampia, kirjailijoille, jotka haluavat kuulla oman työnsä, kuulokäyttäjille ja monille muille.

Mikä on visiosi tekoälyn tulevaisuudesta?

Halumme, että tekoäly – ja erityisesti tekoäly-äänet – poistavat oppimisen esteet riippumatta tulotasonne, oppimiseroista, maantieteestä tai kielestä. Näemme tekoälyn työkaluna sosiaaliseen hyvään, joka parantaa ihmisten elämänlaatua koulutuksen parantamisen kautta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Speechify-sivustolla.