Paweł Osokin, współzałożyciel i CEO AMAI – seria wywiadów

Paweł Osokin jest współzałożycielem i CEO AMAI, startupu z siedzibą w San Francisco, który produkuje silniki głosowe AI. Paweł kieruje operacjami i strategią Amai, z profesjonalną ambicją, aby zainstalować swoją technologię głosową w każdym telefonie na świecie. W AMAI opracowano głos AI, który nie mógł być odróżniony od prawdziwej mowy ludzkiej przez 97% użytkowników.

Jesteś przedsiębiorcą od zawsze, mając swój pierwszy biznes już w wieku 13 lat. Co było twoim pierwszym przedsięwzięciem i co motywowało cię do tego przedsięwzięcia?

Nie nazywałem tego firmą, ale zarobiłem swoje pierwsze pieniądze, sprzedając różne rzeczy lub myjąc samochody na ulicy z wiadrem. Moją motywacją było to, że chciałem kupić Colę lub Snickersa, a moi rodzice nie mieli pieniędzy. Mogłem albo czekać, aż pieniądze się pojawią, albo zarobić je sam.

Czy mógłbyś opowiedzieć o historii powstania AMAI?

Zapytałem swojego partnera: “Czego potrzebują firmy na całym świecie?” W trakcie tej rozmowy zrozumiałem, że każda firma szuka “sprzedaży”. Zaczęliśmy tworzyć roboty, które mogłyby korespondować z klientami i sprzedawać produkty za pośrednictwem poczty i komunikatorów. Z drugiej strony, nie było to coś nowego, ponieważ istnieje wiele chatbotów. Pomyśleliśmy, że jeśli te roboty mogłyby również robić połączenia, byłoby to fajne. Ponieważ na rynku było niewiele dobrych rozwiązań, stworzyliśmy prototyp naszego własnego syntetyzowanego głosu, a po pierwszych sprzedażach porzuciliśmy robota i skupiliśmy się na TTS.

Co konkretnie oznacza AMAI?

To oznacza “Jestem AI” (Jestem sztuczną inteligencją).

Czy mógłbyś omówić niektóre wyzwania związane z projektowaniem najnowocześniejszej technologii Text-to-speech?

Projektowanie najnowocześniejszej technologii TTS wiąże się z kilkoma wyzwaniami. Pierwszym z nich jest zbieranie danych. Szkolenie sieci neuronowej wymaga głosów kobiet i mężczyzn w różnym wieku, a im więcej, tym lepiej. Drugim wyzwaniem jest osiągnięcie bardzo bliskiego podobieństwa do naturalnego głosu. Najlepszą metodą jest testowanie różnych modeli uczenia maszynowego i ciągłe eksperymentowanie z różnymi przypadkami użycia głosu: w szczególności trzeba znaleźć najbardziej problematyczny przykład i przetworzyć go oddzielnie. Mówiąc o długoterminowych wyzwaniach, może być trudno ocenić, czy głos stał się lepszy czy gorszy i w jakim kierunku powinien być udoskonalany.

Jakie są niektóre wyzwania związane z rozpoznawaniem mowy, gdy ludzie wchodzą w interakcje z głosem AI AMAI?

Istnieje setki firm pracujących nad rozpoznawaniem głosu, ponieważ jest to łatwiejsze do opracowania. Problem, który obecnie nie ma rozwiązania, to rozpoznawanie głosu dziecka. Dzieci mają wiele cech mowy w młodym wieku, więc trudno wziąć pod uwagę wszystkie z nich. Niemniej jednak, pracowaliśmy nad rozwiązaniem tego problemu i jesteśmy bardzo blisko ogłoszenia wyników – wkrótce nasz AI nie będzie miał żadnych problemów z interakcją nie tylko z dorosłymi, ale także z dziećmi.

Jakie są popularne przypadki użycia AMAI?

Obecnie są to dubbing audiobooków i użycie w centrach kontaktowych.

Jakie języki są obecnie obsługiwane, a jakie języki są obecnie opracowywane?

Nasz system wielogłośny obejmuje dwa języki, rosyjski i angielski. Idea polega na tym, że głos utworzony w jednym języku może mówić wszystkimi innymi językami w naszym modelu. Obecnie zbieramy dane dla 40 kolejnych języków, a wkrótce będziemy mieli 42.

Jakie jest twoje wizjonerskie spojrzenie na przyszłość asystentów głosowych AI?

Uważam, że asystenci głosowi przeniosą się do metaverse, a my studiuje te możliwości. Jeśli zintegrujesz asystenta z głośnikami inteligentnymi lub przeglądarką internetową, więcej ludzi będzie używać wyszukiwania głosowego i wchodzić w interakcje z asystentem każdego dnia. Możesz rozmawiać ze swoim lodówką lub telewizorem.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat AMAI?

AMAI używa tylko swoich własnych technologii.

Dziękuję za wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić AMAI.