साक्षात्कार
टायलर वेट्ज़मैन, स्पीचिफाई के सह-संस्थापक और एआई प्रमुख – साक्षात्कार श्रृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
टायलर वेट्ज़मैन स्पीचिफाई के सह-संस्थापक, आर्टिफिशियल इंटेलिजेंस के प्रमुख और अध्यक्ष हैं, जो दुनिया में #1 टेक्स्ट-टू-स्पीच ऐप है, जिसमें 100,000 से अधिक 5-स्टार रिव्यू हैं। वेट्ज़मैन स्टैनफोर्ड विश्वविद्यालय के स्नातक हैं, जहां उन्होंने गणित में स्नातक और कंप्यूटर विज्ञान में स्नातकोत्तर की डिग्री प्राप्त की, जिसमें आर्टिफिशियल इंटेलिजेंस ट्रैक में एमएस था। उन्हें इंक मैगज़ीन द्वारा शीर्ष 50 उद्यमी के रूप में चुना गया है, और उन्हें बिजनेस इनसाइडर, टेकक्रंच, लाइफहैकर, सीबीएस सहित अन्य प्रकाशनों में चित्रित किया गया है। वेट्ज़मैन के मास्टर डिग्री शोध में आर्टिफिशियल इंटेलिजेंस और टेक्स्ट-टू-स्पीच पर ध्यान केंद्रित किया गया था, जहां उनके अंतिम शोध पत्र का शीर्षक था: “क्लोनबॉट: व्यक्तिगत डायलॉग-रिस्पॉन्स प्रेडिक्शन।”
आपको कोडिंग की शुरुआत 9 साल की उम्र में हुई, आपको कंप्यूटर विज्ञान में क्या आकर्षित किया?
मैं एक बच्चे के रूप में ड्रैगन बॉल जेड के साथ बहुत जुनूनी था, और मैं स्वयं एनिमेट करना सीखना चाहता था। मैंने एडोब फ्लैश और फोटोशॉप सीखा और अपने गोकु के एनिमेशन को एक प्रशंसक वेबपेज पर बनाया। इसके तुरंत बाद मैंने सिस्टम और एल्गोरिदम के बारे में सीखना शुरू किया, और जब मुझे पता चला कि मैं वास्तव में जीविका के लिए प्रोग्राम कर सकता हूं, तो यह बहुत उत्साहजनक था। मुझे लगा कि यह केवल एक शौक है, जैसे कि खेल खेलना।
(ADBE )आपके बाद 12 साल की उम्र में आईफ़ोन ऐप्स बनाने की शुरुआत हुई, इनमें से कुछ ऐप्स क्या थे?
एक ऐप ब्लैक एसएमएस है, जो लोगों को एक दूसरे को एन्क्रिप्टेड टेक्स्ट संदेश भेजने की अनुमति देता है। एक अन्य ऐप फ्रंटबैक था, जो उपयोगकर्ताओं को एक ही समय में अपने सामने क्या है इसकी तस्वीरें लेने की अनुमति देता है।
क्या आप स्टैनफोर्ड विश्वविद्यालय में अपने शोध के बारे में चर्चा कर सकते हैं और यह कैसे प्राकृतिक भाषा प्रसंस्करण और भाषण संश्लेषण के इर्द-गिर्द केंद्रित था?
मेरा शोध ट्रांसफॉर्मर नेटवर्क के कई उपयोगों में फैला हुआ था, जिसमें भाषा पीढ़ी मॉडल, पार्ट-ऑफ-स्पीच टैगिंग, पंक्ति संकेत पूर्वानुमान और टेक्स्ट-टू-स्पीच शामिल थे। मोबाइल सीपीयू के लिए न्यूरल नेटवर्क अनुमान को अनुकूलित करना एक प्राथमिक फोकस था और यह स्पीचिफाई पर ऑफलाइन आवाजों में सीधे अनुवादित हुआ, जो हवाई मोड में भी काम करती हैं।
क्या आप स्पीचिफाई की उत्पत्ति की कहानी साझा कर सकते हैं?
मैं एक आंख से अंधा हूं और मेरे भाई क्लिफ डिस्लेक्सिक हैं। हमने ऑडियोबुक और टेक्स्ट-टू-स्पीच ऑडियो प्रौद्योगिकी का उपयोग स्कूल में और जब हम छोटे थे तब पुस्तकें पढ़ने के लिए किया है। जैसे ही हम बड़े हुए और अधिक प्रौद्योगिकी उत्पादों का उपयोग करना शुरू किया, हमने महसूस किया कि वेब और मोबाइल पर बेहतर टेक्स्ट-टू-स्पीच ऐप्स बनाने का अवसर है, जिसमें एआई और बेहतर उपयोगकर्ता अनुभव के कारण बेहतर आवाजें हैं। इसलिए हमने स्पीचिफाई में जाने का फैसला किया।
स्पीचिफाई में उपयोग की जाने वाली कुछ अलग मशीन लर्निंग प्रौद्योगिकियां क्या हैं?
हमने उन्नत पीढ़ी वास्तुकला के लिए आगे की तकनीकों को अपनाया है – ट्रांसफॉर्मर/कॉन्फॉर्मर, बड़े पैमाने पर पूर्व-प्रशिक्षण, वितरित प्रशिक्षण, ग्रेडिएंट संचय, स्वचालित-एन्कोडेड लेटेंट स्पेस, प्रसार, प्रतिपक्षी नेटवर्क और भाषा मॉडलिंग। हम भाषण को बेहतर ढंग से मॉडल करने के लिए फोनेमाइजेशन, पिच और भावना के आसपास सुविधा प्रसंस्करण के लिए सहायक तकनीकों का उपयोग करते हैं।
एक टेक्स्ट-टू-स्पीच ऐप बनाने के पीछे कुछ चुनौतियां क्या हैं?
एक प्रमुख चुनौती वास्तविक मानवों की तरह ध्वनि वाली उच्च गुणवत्ता वाली आवाजें बनाना है, न कि रोबोट। हमारा लक्ष्य है कि लोगों को यह बताने में सक्षम न हों कि हमारी आवाजें कैसी लगती हैं और मानव कैसे लगते हैं, ताकि हमारे उपयोगकर्ता लंबे समय तक स्पीचिफाई पर सामग्री सुनने में सहज महसूस करें। एक दूसरी चुनौती हमारे एआई मॉडलों को लाखों उपयोगकर्ताओं तक वितरित करना है। यह एक बात है कि उच्च गुणवत्ता वाली एआई आवाजें बनाना और दूसरी बात यह सुनिश्चित करना है कि दुनिया भर में लाखों उपयोगकर्ता वास्तव में उनके बारे में जानते हैं और उनका उपयोग करते हैं।
स्पीचिफाई अपनी श्रेणी में #1 ऐप है, आप इसकी सफलता का श्रेय किसे देते हैं?
हम मानते हैं कि हमने उन लोगों के लिए बाजार में सर्वश्रेष्ठ उत्पाद बनाए हैं जो सुनने के लिए पढ़ना चाहते हैं – चाहे वह छात्र हों जिन्हें होमवर्क करना है, पेशेवर जो काम के लिए पढ़ रहे हैं या मनोरंजन के लिए पढ़ने वाले हैं। हमारे पास सर्वश्रेष्ठ आवाजों का चयन है, जिसमें स्नूप डॉग जैसी हस्तियां शामिल हैं, और लोगों के लिए अपनी सामग्री तक आसानी से पहुंचने के लिए सर्वश्रेष्ठ उपयोगकर्ता इंटरफ़ेस है। और हमारा उपयोगकर्ता अनुभव स्पीचिफाई पारिस्थितिकी तंत्र में निर्बाध है – आप अपने कंप्यूटर पर एक लेख सुनना शुरू कर सकते हैं और फिर इसे अपने फोन पर सुनना जारी रख सकते हैं।
इस ऐप के लिए कुछ सबसे बड़े उपयोग मामले क्या हैं?
स्पीचिफाई की जनरेटिव एआई वास्तविक समस्याओं का समाधान करती है जो छात्रों को अपने होमवर्क को तेजी से पूरा करना चाहते हैं, वास्तविक लोगों को डिस्लेक्सिया और एडीएचडी है जो पढ़ने में परेशानी होती है, कम दृष्टि वाले वरिष्ठ नागरिक, पेशेवर जो अधिक पढ़ना और अधिक उत्पादक बनना चाहते हैं, लेखक जो अपने काम को सुनना चाहते हैं, श्रवण शिक्षार्थी और अनगिनत अन्य।
एआई के भविष्य के लिए आपकी दृष्टि क्या है?
हम चाहते हैं कि एआई – और विशेष रूप से एआई टेक्स्ट-टू-स्पीच आवाजें – आय, सीखने के अंतर, भूगोल या भाषा की परवाह किए बिना सीखने के लिए बाधाओं को समाप्त करें। हम एआई को सामाजिक कल्याण के लिए एक उपकरण के रूप में देखते हैं जो शिक्षा में सुधार करके मानव जीवन की गुणवत्ता को बढ़ाने के लिए है।
साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें स्पीचिफाई पर जाना चाहिए।
