Павел Осокин, сооснователь и CEO AMAI – Интервью

Павел Осокин – сооснователь и CEO AMAI, Сан-Францисской стартапа, производящего голосовые движки ИИ. Павел руководит операциями и стратегией Amai с профессиональной амбицией установить свою голосовую технологию на каждый телефон в мире. В AMAI они разработали голос ИИ, который не может быть различим от реальной человеческой речи 97% пользователей.

Вы были предпринимателем всю свою жизнь, запустив свою первую компанию в 13 лет, что было вашим первым бизнес-проектом и что мотивировало вас к предпринимательскому мышлению?

Я не называл это компанией, но я заработал свои первые деньги, продавая вещи или просто洗ая машины на улице с ведром. Моя мотивация заключалась в том, что я хотел Кока или Сникерса, и мои родители не имели денег. Я мог либо ждать, пока деньги появятся, либо заработать их сам.

Можете ли вы рассказать историю создания AMAI?

Я спросил своего партнера: “Что нужно компаниям во всем мире?” В этом разговоре я понял, что каждая компания ищет “продажу”. Мы начали создавать роботов, которые могли бы общаться с клиентами и продавать продукты по почте и мессенджерам. С другой стороны, это было не что-то особенно новое, поскольку есть много чат-ботов. Поэтому мы подумали, что если эти роботы могли бы также делать звонки, это было бы круто. Поскольку на рынке было мало хороших решений, мы создали прототип нашего собственного синтезированного голоса, и после первых продаж отказались от робота и сосредоточились на TTS.

Что означает AMAI?

Это означает “Я – ИИ” (Я – искусственный интеллект).

Можете ли вы обсудить некоторые проблемы, связанные с разработкой передовой технологии текст-в-речь?

Разработка передовой технологии TTS предлагает несколько проблем. Первая проблема заключается в сборе наборов данных. Обучение нейронной сети требует женских и мужских голосов разного возраста, и чем больше, тем лучше. Вторая проблема заключается в том, чтобы добиться очень близкого сходства с естественным голосом. Лучший метод – тестировать разные модели машинного обучения и постоянно экспериментировать с разными случаями использования голоса: в частности, необходимо найти наиболее проблематичный образец и обработать его отдельно. Говоря о долгосрочных проблемах, может быть трудно оценить, стало ли голос лучше или хуже, и в каком направлении его следует улучшать.

Какие проблемы существуют при распознавании речи, когда люди взаимодействуют с голосовым ИИ AMAI?

Существует сотни компаний, работающих над распознаванием голоса, потому что это проще разработать. Проблема, которая в настоящее время не имеет решения, – распознавание голоса ребенка. Дети имеют много характеристик речи в молодом возрасте, поэтому трудно учесть все это. Тем не менее, мы работаем над решением этой проблемы, и мы очень близки к объявлению результата – скоро наш ИИ не будет иметь проблем с взаимодействием не только с взрослыми, но и с детьми.

Какие популярные случаи использования AMAI?

Сейчас это дубляж аудиокниг и корпоративное использование в колл-центрах.

Какие языки в настоящее время предлагаются, и какие языки в настоящее время разрабатываются?

Наша система с несколькими дикторами включает два языка, русский и английский. Идея заключается в том, что голос, созданный на одном языке, может говорить на всех других языках нашей модели. В настоящее время мы собираем данные для 40 дополнительных языков, и очень скоро у нас будет 42.

Каково ваше видение будущего голосовых помощников ИИ?

Я считаю, что голосовые помощники перейдут в метаверс, и мы сейчас изучаем эти возможности. Если вы интегрируете помощника с умными колонками или веб-браузером, больше людей будут использовать голосовой поиск и взаимодействовать с помощником каждый день. Вы можете разговаривать со своим холодильником или телевизором.

Есть ли что-то еще, что вы хотели бы поделиться об AMAI?

AMAI использует только свои собственные проприетарные технологии.

Спасибо за интервью, читатели, которые хотят узнать больше, должны посетить AMAI.