グラディアのジェン・ルイ・ケギュニエー氏、CEO兼創設者 – インタビュー・シリーズ

ジェン・ルイ・ケギュニエー は、グラディアの創設者兼CEOです。彼は以前、ヨーロッパを牽引するクラウドプロバイダーの1つであるOVHcloudで、データ、AI、量子コンピューティングのグループ副社長を務めていました。彼は、カナダのケベック大学とパリのArts et Métiers ParisTechで、シンボリックAIの修士号を取得しています。彼のキャリアの中で、金融データ分析、リアルタイムデジタル広告のためのマシンラーニングアプリケーション、スピーチAI APIの開発などのさまざまな業界で重要な役割を果たしてきました。

グラディア は、業界、言語、テクノロジー・スタックを横断して製品にシームレスに統合できる、高度なオーディオ・トランスクリプションとリアルタイムAIソリューションを提供しています。グラディアは、最先端のASRと生成AIモデルを最適化することで、精度が高くラグのないスピーチと言語処理を実現しています。グラディアのプラットフォームは、コールやミーティングからリアルタイムでインサイトとメタデータを抽出することも可能で、セールス支援や自動化されたカスタマー・サポートなどの重要なエンタープライズ・ユース・ケースをサポートしています。

あなたがスピーチ・トゥ・テキスト（STT）技術の課題に取り組むきっかけとなったものは何ですか？また、市場でどのようなギャップを見出しましたか？

グラディアを創設した当初、目標は広範でした。つまり、複雑なテクノロジーを誰でも使えるようにするAI企業を作ることでした。しかし、深く調査してみると、ボイス・テクノロジーが最も壊れていて、しかも最も重要な分野に焦点を当てる必要があることが明らかになりました。

ボイスは私たちの日常生活の中央にあり、ほとんどのコミュニケーションはスピーチを通じて行われます。しかしながら、開発者がボイス・データを扱うためのツールは、速度、精度、価格の点で不十分でした。特に言語を跨いだ場合にそうでした。

私はそれを修正したかったのです。ボイス・テクノロジーの複雑さを解きほぐし、シンプルで効率的で強力でアクセスしやすいものに変えたいと思いました。開発者はAIモデルの複雑さやスピーチ認識のコンテキストの長さについて心配する必要がないはずです。私の目標は、真のプラグ・アンド・プレイ・ソリューションである、エンタープライズ・グレードのスピーチ・トゥ・テキスト・APIを作成することでした。

エンタープライズ用のトランスクリプション・ソリューションを構築する際に直面したユニークな課題については？

スピーチ認識の場合、速度と精度という2つの重要なパフォーマンス指標は、設計上、反比例しています。つまり、1つのパフォーマンスを向上させると、もう1つのパフォーマンスが妥協されることになります。コスト要因は、プロバイダーのスピードと品質のバランスによって大きく左右されます。

グラディアを構築する際の目標は、これら2つの要素のバランスをとることでした。さらに、テクノロジーがスタートアップや中小企業にも利用できるようにする必要がありました。プロセスの中で、基盤となるASRモデル（例：OpenAIのWhisper）が、トレーニングデータのため英語に大きく偏っていることがわかりました。これにより、多くの言語が表現されていません。

したがって、スピードと精度のトレードオフを解決することに加えて、ヨーロッパの多言語チームとして、コア・モデルを最適化して、真正にグローバルなAPIを構築することが重要でした。これにより、ビジネスが言語を跨いで運営できるようになります。

グラディアは、混雑したAIトランスクリプション市場でどのようにして自分を差別化していますか？あなたのWhisper-Zero ASRは何がユニークなのでしょうか？

私たちの新しいリアルタイム・エンジン（Gladia Real Time）は、業界を牽引する300ミリ秒の待ち時間を実現しています。また、コールやミーティングからインサイトを抽出する「オーディオ・インテリジェンス」機能（例：固有名詞認識（NER）やセンチメント分析）を備えています。

私たちの知る限りでは、ほとんどの競合他社は、英語以外の言語でも高い精度と待ち時間（1秒未満）でトランスクリプションとインサイトの両方を提供することができません。私たちの言語サポートは、現在100以上の言語に及んでいます。

また、製品を真正にスタック・アグノスティックにすることに重点を置いています。私たちのAPIは、SIP、VoIP、FreeSwitch、Asteriskを含むすべての既存のテクノロジー・スタックとテレフォニー・プロトコルと互換性があります。テレフォニー・プロトコルは、特に統合が複雑なため、市場に大きな価値をもたらすと思います。

AIモデルにおける「幻覚」は、特にリアルタイム・トランスクリプションの場合に、重大な懸念事項です。STTの文脈における「幻覚」について説明し、グラディアはこの問題に対処する方法を教えてください。

「幻覚」は、モデルが知識が不足しているか、トピックに関する十分なコンテキストがなく、出力がトピックに合わない場合に発生します。モデルは、リクエストに合わせた出力を生成できますが、トレーニング時の情報のみを参照できます。その情報が最新でない場合、モデルは、妥当ではあるが不正確な情報でギャップを埋めます。

「幻覚」は、LLMで最初に知られるようになったものですが、スピーチ認識モデル（例：OpenAIのWhisper ASR）でも発生します。Whisperの「幻覚」は、LLMと同様のアーキテクチャのため、生成モデルが共通の問題です。生成モデルは、コンテキストに基づいて次の単語を予測し、出力を「発明」します。これは、音響ベースのASRアーキテクチャと対比されます。音響ベースのアーキテクチャは、入力音を出力に機械的にマッチングします。

結果として、実際には言及されていない単語がトランスクリプトに現れることがあります。これは、特に医療のような分野では、深刻な結果をもたらす可能性があります。

「幻覚」を管理し、検出する方法は複数あります。一般的なアプローチの1つは、生成と回復を組み合わせたシステム（RAGシステム）を使用することです。別の方法は、「思考の連鎖」アプローチを使用することです。ここで、モデルは、論理的なパスに沿って進むように、事前に定義された一連のステップまたはチェックポイントを通じて導かれます。

「幻覚」を検出する別の戦略は、トレーニング中にモデルの出力の真実性を評価するシステムを使用することです。幻覚を評価するためのベンチマークが存在し、モデルの出力候補を比較して、最も正確なものを決定します。

グラディアでは、Whisper-Zeroという、ほぼすべての「幻覚」を除去する独自のASRを構築するために、複数のテクニックを組み合わせて実験しました。これは、非同期トランスクリプションで優れた結果を示しています。現在、リアルタイムでも99.9%の情報忠実性を達成するために最適化中です。

STT技術は、アクセント、ノイズ、多言語会話などの幅広い複雑さを処理する必要があります。グラディアは、これらの課題に対処して高い精度を確保するためにどのようにアプローチしていますか？

ASRにおける言語検出は、極めて複雑なタスクです。各スピーカーには、特有のボーカル・シグネチャ（特徴）があります。ボーカル・スペクトルを分析することで、マシン・ラーニング・アルゴリズムは、分類を行い、メル・周波数・ケプストラム・係数（MFCC）を使用して主要な周波数特性を抽出します。

MFCCは、人間の聴覚感覚にインスパイアされた「心理音響学」の分野の一部です。音を周波数スペクトルに変換するために、正規化されたフーリエ変換を使用します。

しかし、このアプローチには限界があります。純粋に音響学的であるため、アクセントが強い英語を話す場合、システムはコンテンツを理解するのではなく、Prosody（リズム、ストレス、イントネーション）に基づいて判断します。

ここで、グラディアの革新的なソリューションが登場します。私たちは、動的言語検出のために、心理音響学的特性とコンテンツ理解を組み合わせたハイブリッド・アプローチを開発しました。

私たちのシステムは、単にあなたが話す方法を聞くだけでなく、あなたが何を言っているかを理解します。この二重アプローチにより、効率的なコード・スイッチングが可能になり、強いアクセントが誤って表現されるのを防ぎます。

コード・スイッチングは、特に多言語会話を処理する上で重要な機能です。話者は会話の中で、または文の中で言語を切り替えることがあります。モデルが切り替えに応じて正確にトランスクリプションできる能力は、重要です。

グラディアのAPIは、多言語会話を高い精度で処理し、ノイズの多い環境でさえも高い精度を維持することができます。

リアルタイム・トランスクリプションには、超低遅延が必要です。グラディアのAPIは、精度を維持しながら300ミリ秒未満の遅延をどのように達成しますか？

300ミリ秒未満の遅延を維持しながら高い精度を維持するには、ハードウェアの専門知識、アルゴリズムの最適化、建築設計の組み合わせが必要です。

リアルタイムAIは、従来のコンピューティングとは異なり、GPGPUのパワーと効率に密接に関係しています。私はこの分野で約10年間働いてきて、OVHCloud（EU最大のクラウドプロバイダー）のAI部門を率いてきました。ハードウェアのパワー、コスト、アルゴリズムの調整が、すべてのオペレーションで最大のスループットを実現し、遅延を最小限に抑えることが重要であることを学びました。

しかし、それはAIとハードウェアだけではありません。システムのアーキテクチャも、特にネットワークの設計が、遅延に大きな影響を与えることがあります。私たちのCTOは、Sigfox（IoTの先駆者）での低遅延ネットワーク設計の深い専門知識を活かし、ネットワーク設定を最適化して貴重なミリ秒を削減しました。

したがって、これらすべての要素の組み合わせ——賢明なハードウェアの選択、最適化されたアルゴリズム、ネットワーク設計——が、私たちが一貫して300ミリ秒未満の遅延を達成できることを可能にします。

グラディアは、スピーカー・ダイアライゼーション、センチメント分析、タイムスタンプ付きトランスクリプションなどの機能をトランスクリプションの範囲を超えて提供しています。クライアントがこれらのツールを使用して開発した革新的なアプリケーションについて、どのような例がありますか？

ASRは、プラットフォームを横断して、さまざまな業界で幅広いアプリケーションを解放します。過去2年間で、LLMと私たちのAPIを使用して革新的な競合製品を構築する、本当に先駆的な企業が多く現れました。以下はその例です：

• スマート・ノート・テイキング：多くのクライアントは、仕事のミーティング、学生の講義、または医療の相談から情報を素早くキャプチャして整理するためのツールを構築しています。スピーカー・ダイアライゼーションを使用すると、私たちのAPIは誰が何を言ったかを識別でき、会話を追跡し、アクション・アイテムを割り当てることが容易になります。タイムスタンプ付きトランスクリプションと組み合わせると、ユーザーは特定の時点に直接ジャンプし、時間と翻訳の喪失を防ぐことができます。
• セールス・エナブリング：セールスの世界では、顧客のセンチメントを理解することがすべてです。チームは、私たちのセンチメント分析機能を使用して、コールやデモ中にプロスペクトが反応するリアルタイムのインサイトを取得しています。さらに、タイムスタンプ付きトランスクリプションにより、チームは会話の重要な部分を再訪問して、ピッチを改善したり、顧客の懸念に対処したりできます。このユースケースでは、特にセールス・コールからCRMに自動的に情報を抽出するために、NERも重要です。
• コール・センター・アシスタンス：コントラクト・センターの企業は、私たちのAPIを使用して、エージェントにリアルタイムのアシスタンスを提供し、コール中に顧客のセンチメントをフラグ付けしています。スピーカー・ダイアライゼーションにより、話されたことが正しい人物に割り当てられ、タイムスタンプ付きトランスクリプションにより、監督者は重要な瞬間またはコンプライアンスの問題を迅速に確認できます。これにより、顧客体験が向上し（コール・レジョリューション・レートと品質の向上）、エージェントの生産性と満足度も向上します。

エンタープライズ・ユーザーのトランスクリプションの信頼性を向上させるためのカスタム・ボキャブラリーとエンティティ・レコグニションの役割について説明してください。

多くの業界は、専門用語、ブランド名、独自の言語のニュアンスに依存しています。カスタム・ボキャブラリーの統合により、STTソリューションはこれらの特定のニーズに適応し、コンテキストのニュアンスを正確に捉え、ビジネスニーズに合った出力が得られるようになります。例えば、特定の言語でドメイン固有の単語のリストを作成できます。

これは、エラーを最小限に抑え、ユーザー体験を向上させるのに役立ちます。特に医療や金融などの分野では、重要な機能です。

固有名詞認識（NER）は、非構造化オーディオ・データから重要な情報を抽出して識別します。非構造化データの一般的な課題は、重要な情報がトランスクリプトの中に埋もれており、すぐにはアクセスできないことです。

これを解決するために、グラディアは構造化されたキー・データ・エクストラクション（KDE）アプローチを開発しました。LLMと同様の、Whisperベースのアーキテクチャの生成能力を活用して、コンテキストを把握し、関連情報を直接抽出します。

このプロセスは、カスタム・ボキャブラリーとNERなどの機能を使用することでさらに強化できます。ビジネスは、重要なデータを迅速に、効率的にCRMにポップュレートできます。

あなたの意見では、リアルタイム・トランスクリプションは、カスタマー・サポート、セールス、コンテンツ・クリエイションなどの業界をどのように変革していますか？

リアルタイム・トランスクリプションは、これらの業界を深く変革しています。生産性の向上と、実際的なビジネス上の利益がもたらされています。

まず、リアルタイム・トランスクリプションは、サポート・チームにとってゲーム・チェンジャーです。リアルタイムのアシスタンスは、より迅速なレスポンス、スマートなエージェント、そしてより良い結果（NSF、ハンドル・タイムなど）を可能にし、解決率を向上させます。ASRシステムが英語以外の言語もリアルタイムで翻訳できるようになれば、コール・センターは、より低いマージンで、真正にグローバルな顧客体験を実現できます。

セールスでは、スピードと正確なインサイトがすべてです。コール・エージェントと同様に、リアルタイム・トランスクリプションは、セールス・チームに、適切な時期に適切なインサイトを提供し、取引を閉じることに集中できるようにします。

クリエイターにとって、リアルタイム・トランスクリプションは、現在はあまり関連性がありませんが、潜在的に、ライブ・キャプションやメディア・イベントでの翻訳に役立ちます。現在のメディア・クライアントの多くは、速度よりも精度が重要な、アシンクロナス・トランスクリプションを好みます。タイムスタンプ付きのビデオ編集や字幕生成などのアプリケーションに適しています。

リアルタイムAIトランスクリプションは、成長している傾向です。次の5〜10年間に、このテクノロジーはどこへ向かっていくと思いますか？

私は、この現象が、最終的にはどこにでも存在することになるでしょう。私たちがここで指す「リアルタイムAI」は、基本的に、人間同士が互いにやり取りするように、機械が人間とシームレスにやり取りする能力です。

ハリウッドの未来を描いた映画（例：『彼女』）を見てみると、誰もがキーボードを使用してインテリジェント・システムとやり取りしている姿は見られません。私にとって、これは、人間の集団的なイメージの中で、声が常に私たちが世界とやり取りする主な方法であることを証明しています。

声は、文化と歴史の中で、人間の知識を集め、共有するための主なベクトルでした。書き言葉が登場し、コミュニティの長老が物語と知恵の守護者である必要性を減らすまで、書き言葉は私たちの知識を保存するためのより効果的な方法でした。

ジェンAIシステムは、スピーチを理解し、応答を生成し、インタラクションを保存できるため、完全に新しいものをもたらしました。つまり、声のコミュニケーションの最良の部分と、書き言葉のメモリーの利点を組み合わせたものです。これが、私たちが集団的に夢見るものである理由です。

素晴らしいインタビュー、詳しく知りたい読者はグラディアを訪れてください。