Dani Cherkassky, CEO e Co-Fundador da Kardome – Série de Entrevistas

Dani Cherkassky, CEO e Co-Fundador da Kardome, traz mais de duas décadas de experiência em acústica, processamento de sinais e desenvolvimento de algoritmos para a vanguarda da inovação em tecnologia de voz. Antes de fundar a Kardome, ele atuou como CTO na Silentium Ltd., onde liderou colaborações de P&D com empresas de nível 1 e instituições de pesquisa. Com um Ph.D. em Processamento de Matrizes de Microfones pela Universidade Bar-Ilan, Cherkassky combina profunda expertise técnica com uma missão clara — eliminar as frustrações da interação de voz moderna, criando tecnologia que realmente ouça as pessoas, e não o ruído ao redor delas.

Kardome é uma pioneira em soluções de audição espacial impulsionadas por IA que oferecem interações de voz personalizadas e claras em qualquer ambiente — desde carros e salas de conferência até casas inteligentes e espaços públicos. Sua tecnologia de agrupamento de discurso proprietária separa vozes com base na localização, permitindo que os dispositivos entendam cada falante como se fosse a única pessoa falando. Projetada para ser agnóstica em termos de hardware e pronta para borda, a plataforma da Kardome melhora a precisão do reconhecimento de fala, segurança e experiência do usuário, impulsionando a próxima geração de comunicação humano-máquina.

O que o inspirou, e ao Dr. Alon Slapak, a co-fundar a Kardome?

A inspiração para a Kardome cresceu a partir de uma combinação de fascínio e frustração. Com nossos antecedentes em fala e áudio, tanto na academia quanto na indústria, ficamos entusiasmados com o progresso no reconhecimento de fala, particularmente quando as redes neurais profundas entraram em cena.

Em um laboratório silencioso, a tecnologia era fenomenal. Mas, no momento em que você dava um passo no mundo real, aquela magia desaparecia. Observamos que, em um carro barulhento, um escritório movimentado ou uma casa caótica, sistemas avançados de ponta eram apenas ligeiramente melhores do que a tecnologia dos anos 90. Essa era a grande barreira ao progresso.

A voz é a forma mais natural de interagir com nossos dispositivos, o verdadeiro sucessor da tela sensível ao toque. Mas, para que isso aconteça, a tecnologia precisava superar o caos da vida real. Decidimos tornar isso nossa missão. Passamos um ano na garagem, lutando com equações de propagação de ondas sonoras e testando novas ideias, até que alcançamos uma quebra: a primeira demonstração do que agora é conhecido como Tecnologia de Audição Espacial da Kardome.

Nesse momento, sabíamos que tínhamos a chave. Fundamos a Kardome não apenas para construir um produto, mas para iniciar uma revolução em como as pessoas e as máquinas se comunicam.

Muitos assistentes de voz lutam e frequentemente frustram os usuários quando as vozes se sobrepõem ou o ruído de fundo assume o controle. Por que os métodos convencionais performam tão mal nessas condições do mundo real?

Os sistemas de interface de voz convencionais performam mal no mundo real porque seu software depende de um método excessivamente simplista para entender o som. A maioria dos sistemas usa vários microfones para determinar a direção de chegada de um som, uma abordagem que se concentra apenas no ângulo de um som, ignorando outras informações espaciais cruciais em 3D. Esse método falha imediatamente em qualquer configuração do mundo real — como um carro, escritório ou sala de estar — porque esses ambientes estão cheios de reverberação, onde as ondas sonoras quicam em cada superfície refletora. Para um sistema que só entende a direção, cada uma dessas reflexões é percebida como um novo som vindo de uma direção diferente.

Isso cria um efeito desorientador, como se o dispositivo estivesse em um “hall de espelhos acústicos”, onde uma única voz parece vir de centenas de direções simultaneamente. Incapaz de distinguir as vozes distintas dos falantes da tempestade de reflexos, o sistema não pode decodificar adequadamente a paisagem sonora. Essa limitação fundamental é exatamente por que as tecnologias de voz atuais têm uma percepção tão pobre de áudio em cenários caóticos do mundo real e, em última análise, falham em performar de forma confiável.

As tecnologias da Kardome tratam cada pessoa como se ela fosse a única falando na sala. Qual é a quebra técnica que torna isso possível, e como é diferente do reconhecimento de voz de longo alcance convencional?

Nossa quebra técnica é uma tecnologia proprietária chamada Audição Espacial AI, que supera os métodos convencionais que apenas detectam a direção de um som para, em vez disso, determinar sua localização precisa no espaço tridimensional. Ela funciona analisando o padrão de reflexão completo que uma voz cria dentro de uma sala, tratando a forma complexa como o som quica em superfícies como uma “impressão digital acústica” única para aquela posição específica. Nossa IA infere instantaneamente e passivamente essa impressão digital para cada fonte de som, mapeando efetivamente o ambiente. Essa abordagem baseada em localização é fundamentalmente diferente dos sistemas convencionais impulsionados por direção, que se confundem facilmente com as reflexões que usamos como dados valiosos. Enquanto eles ouvem um falante como uma multidão de ecos, nossa tecnologia utiliza o padrão de reflexão completo para determinar a fonte real. O resultado prático é que um dispositivo habilitado pela Kardome pode se concentrar em uma pessoa em um ambiente barulhento e ouvi-la como se ela estivesse falando sozinha em uma sala silenciosa. Além disso, a IA Cognitiva garante que o sistema não apenas ouça as palavras, mas também entenda quem as disse e o que elas significam no contexto.

A IA de voz está tendo seu “momento iPhone”. Do seu ponto de vista, o que isso significa, e quão perto estamos da adoção mainstream real?

Para mim, o “momento iPhone” significa que a voz finalmente está pronta para se tornar a forma padrão de interagir com dispositivos computacionais.

Vejo os fabricantes correndo para integrar tecnologias de IA de voz em toda a linha de produtos. Os carros estão se tornando interfaces de voz em primeiro lugar por razões de segurança. As casas inteligentes precisam de interfaces de usuário de voz porque não é viável colocar telas sensíveis ao toque em todos os lugares. A eletrônica tradicional também está adicionando capacidades de voz porque, muitas vezes, é mais rápido do que navegar por menus. Embora muitas tecnologias estejam impulsionando a adoção da voz, a verdadeira revolução será ditada pela robótica. À medida que os robôs se integram em nossas casas e locais de trabalho, a voz emergirá como a única interface verdadeiramente eficaz e natural para interação.

Para que essa coexistência seja sem problemas, os robôs precisam entender os humanos em um nível humano. Eles precisam compreender o contexto e a nuances da fala natural, não apenas palavras-chave. Eles exigem uma consciência espacial tão precisa que parece mágica — sabendo instintivamente que você é quem está falando com eles, mesmo em uma sala barulhenta. Criticamente, essa inteligência deve operar na borda para comunicação instantânea, privada e confiável.

Isso não é uma melhoria incremental; é um deslocamento fundamental de como os humanos e as máquinas interagirão. Estamos construindo a tecnologia para liderar essa redefinição. Diria que estamos a cerca de 24 meses do ponto de inflexão em que a voz se tornará a interface esperada, e não um recurso “legal de ter”.

Em termos práticos, como você vê a audição espacial e a IA cognitiva transformando dispositivos do dia a dia — desde carros e casas inteligentes até dispositivos wearables e espaços públicos?

A transformação é sobre permitir interação natural onde quer que você esteja, sem adaptar seu comportamento para acomodar a tecnologia. Nos carros, isso significa controle verdadeiramente hands-free que funciona enquanto dirige em velocidades de rodovia com música tocando e passageiros falando. As casas inteligentes se tornam genuinamente inteligentes quando podem entender quem está falando e de onde, lidando com solicitações simultâneas sem confusão.

A chave é que a audição espacial AI não apenas melhora o reconhecimento de voz — ela habilita paradigmas de interação completamente novos. Quando os dispositivos podem compreender a cena acústica completa, eles podem participar do fluxo natural da comunicação humana, em vez de confiar em restrições artificiais. Os dispositivos wearables se tornam muito mais úteis quando podem isolar sua voz das conversas ao redor, e os espaços públicos podem oferecer assistência de voz personalizada, mas privada. Como mencionado para robótica, isso constitui um deslocamento fundamental de como os humanos e as máquinas interagirão com robôs que se integram em nossas vidas.

Privacidade é uma preocupação crescente com dispositivos que estão sempre ouvindo. Como a Kardome equilibra a demanda por processamento no dispositivo com a necessidade de desempenho e precisão?

A grande maioria das soluções de IA de voz de hoje opera em um modelo híbrido, composto por um componente no dispositivo (borda) e um componente baseado em nuvem. Embora o processamento na borda não apresente preocupações de privacidade, pois os dados nunca deixam o dispositivo do usuário, o processamento em nuvem apresenta um desafio significativo para a privacidade de dados.

A Kardome aborda esse desafio expandindo significativamente as capacidades do componente na borda. Processando mais dados localmente e reduzindo a dependência da nuvem, a Kardome garante que dados de voz sensíveis nunca deixem o dispositivo, oferecendo proteção de privacidade superior em comparação com outros sistemas no mercado.

Uma grande preocupação com dispositivos “sempre ouvindo” não é o microfone capturando áudio, mas o risco de que esse áudio seja carregado para a nuvem para análise. Na prática, o custo proibitivo do processamento contínuo em nuvem significa que a maioria dos sistemas comerciais evita isso, mas isso vem com um preço alto: uma qualidade e uma resposta de interface de voz mais baixas.

A Kardome resolve essa compensação trazendo poderosos modelos de linguagem para o dispositivo de borda em si. Com nossa tecnologia, a cena acústica, a fala natural e o contexto são todos analisados em tempo real diretamente no dispositivo. Nenhum dado de voz é carregado ou salvo. Essa abordagem inovadora permite que a Kardome entregue tanto privacidade de dados robusta quanto uma interface de voz altamente eficiente, eliminando a compensação que os usuários atualmente enfrentam.

Olhando para a indústria como um todo, quais são os principais obstáculos que a IA de voz ainda precisa superar antes de se tornar a interface dominante em eletrônicos de consumo?

O principal obstáculo é que a IA de voz ainda não se comunica como os humanos. Até que a IA de voz possa ouvir e entender como os humanos, com consciência completa de contexto e capacidade de entender o fluxo conversacional, ela não se tornará a interface principal que as pessoas querem que seja. Um obstáculo técnico significativo é que a maioria da tecnologia de IA de voz é baseada em nuvem. Isso impede intrinsicamente a escuta contínua e, portanto, bloqueia a compreensão do fluxo conversacional.

A quebra virá quando os sistemas de voz puderem realmente entender o contexto conversacional e responder com a mesma consciência intuitiva que os humanos têm. É quando a voz se tornará a interface dominante em todos os eletrônicos de consumo.

Como você acha que o relacionamento do consumidor com os assistentes de voz evoluirá uma vez que a precisão e a confiabilidade em ambientes barulhentos sejam resolvidas?

Uma vez que a confiabilidade e a conversa natural sejam resolvidas, os assistentes de voz farão a transição de recursos de novidade para interfaces essenciais das quais as pessoas dependem ao longo do dia. Quando as pessoas sabem que a IA de voz entenderá corretamente a primeira vez, mesmo em ambientes desafiadores, elas pararão de acomodar a tecnologia e começarão a usá-la instintivamente com linguagem natural e conversas contextuais.

O futuro da interação de voz será previsível e proativo. Imagine seu dispositivo entendendo não apenas suas palavras, mas seu tom, pistas emocionais e subtextos conversacionais. Os sistemas atuais lutam com o ritmo natural da conversa e não podem lidar com interrupções, revezamento e compreensão contextual. Os humanos se adaptam quando interrompidos; a IA de voz frequentemente se confunde. Para os OEMs, o desafio é integrar a IA de voz que possa entregar essa interface futura sem a complexidade e os requisitos de hardware das soluções atuais.

Finalmente, onde você vê a Kardome e o ecossistema de IA de voz cinco anos à frente, e quais são os marcos que definirão se realmente entramos na era do computação de voz em primeiro lugar?

Cinco anos à frente, a IA de voz será tão onipresente quanto as telas sensíveis ao toque e os teclados são hoje, e será esperada em praticamente todos os dispositivos computacionais. A Kardome será o sistema operacional que permitirá que os usuários operem seus dispositivos por voz, habilitando interação natural com qualquer dispositivo em qualquer ambiente, desde robôs até óculos inteligentes e carros.

Os marcos definidores serão comportamentais, e não tecnológicos. Saberemos que alcançamos a computação de voz em primeiro lugar quando as pessoas pararem de pensar em comandos de voz e começarem a ter conversas naturais com seu ambiente, quando ambientes multiusuário funcionarem sem problemas, e quando as crianças crescerem esperando falar naturalmente com qualquer dispositivo. A medida final não será quão sofisticada nossa tecnologia se tornará, mas quão naturalmente os humanos interagirão com o mundo digital.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Kardome.