Тху Ле, руководитель продукта в Speechmatics – Интервью-серия

Тху Ле является руководителем продукта в Speechmatics, Тху имеет более двух десятилетий опыта в технологиях и разработке инновационных идей, а также степень бакалавра в области механической инженерии в MIT и степень магистра в области дизайна продукта в Стэнфорде. Тху имеет широкий спектр опыта в области управления продуктом, дизайна и разработки, а также исследований и разработок, инженерии, медиа-разработки и бизнес-стратегии. В Speechmatics она отвечает за запуск инновационных продуктов и услуг, чтобы обеспечить лидерство бизнеса на рынке.

Вы присоединились к Speechmatics в ноябре 2019 года после работы в различных отраслях, включая самоходные транспортные средства и программное обеспечение для бизнес-аналитики. Что привлекло вас к работе в области распознавания речи?

Я всегда был привлечен к применению новых технологий для интересных случаев и значимого воздействия. Распознавание речи, особенно в Speechmatics, соответствует этому критерию. Конечно, было здорово помочь нашим клиентам использовать преимущества технологии распознавания речи в своих продуктах.

Как руководитель продукта в Speechmatics, чем вы занимаетесь в своей повседневной работе?

Speechmatics – это компания, ориентированная на масштабирование, и наша команда продукта небольшая (и растущая!), поэтому нет двух одинаковых дней, и каждый вносит свой вклад, когда и где это необходимо. Как руководитель продукта, все – от общей стратегии компании и продукта до типичных обязанностей по управлению продуктом, таких как определение приоритетов дорожной карты и взаимодействие с клиентами, до детального решения проблем – все это часть моей работы. Конечно, построение отношений с различными функциями в организации и набор персонала также являются важной частью моей роли.

Можете ли вы обсудить проблемы доступа к наборам данных с разными диалектами и акцентами?

В технологии распознавания речи двигатель обычно строится путем обучения на одном диалекте языка, что делает этот диалект наиболее точно распознаваемым и транскрибируемым. В английском языке это американский английский, и коэффициенты ошибок обычно выше для австралийских, британских, ямайских акцентов и т. д. Итак, для компаний, которые используют эту технологию для взаимодействия с глобальной клиентской базой, это представляет собой огромную проблему. Три года назад, в 2018 году, мы запустили Global English, наш ведущий языковой пакет, который понимает каждый английский акцент и диалект, и в прошлом году мы продолжили эту миссию с запуском Global Spanish. Мы считаем, что для того, чтобы технология распознавания речи достигла своего最高 потенциала, она должна понимать каждого, с кем она взаимодействует. Мы с нетерпением ждем дальнейшего сокращения разрыва в “акценте” с помощью новых инноваций, которые появятся позже в этом году.

Какие методы машинного обучения используются для обучения на этих наборах данных?

Мы используем熟ые методы глубокого обучения и нейронные сети в нашем двигателе. Мы также постоянно исследуем новые подходы, особенно то, как уменьшить количество помеченных данных, необходимых в моделях распознавания речи. Данные – это король при построении технологии распознавания речи, поэтому продвижение исследований, которые позволяют нам расширить наш охват данных, является важным. Использование нейронных сетей в нашем двигателе позволяет нам лучше обобщать различные контексты и языки.

Speechmatics в настоящее время является лидером в отрасли, и тестирование показало, что Global Spanish на 3-20% более точен, чем предложение Google (GOOGL ), и на 4-13% более точен, чем сравнимый продукт Microsoft (MSFT ). Что вы считаете причиной этого успеха?

Как я упоминал ранее, для того, чтобы технология распознавания речи действительно была активом для бизнеса, она должна помочь им понять всю свою клиентскую базу, независимо от языка, на котором они говорят, или диалекта, который они используют. Это является ядром инноваций Speechmatics, и мы привержены решению этих сложных задач. У нас также есть удивительная команда, которая страстно увлечена и инвестирует в использование последних методов глубокого обучения, чтобы предложить нашим клиентам лучшую технологию на рынке.

Какие языки в настоящее время предлагаются, и какие языки в настоящее время исследуются для добавления?

Мы в настоящее время предлагаем более 30 коммерческих языков, от арабского до китайского, от польского до португальского и многих других. Но именно наши английский и испанский языковые пакеты являются глобальными. В перспективе мы исследуем новые методы, которые не только позволят нам добавлять новые языки более быстро, но и улучшать наши существующие языки более регулярно.

Каково ваше мнение о будущем, в котором голос является основной формой общения?

Бизнес все чаще видит ценность в технологии распознавания речи: в 2020 году было отмечено значительное увеличение принятия этой технологии среди предприятий, и 68% респондентов сообщили, что их компания имеет стратегию голосовой технологии – это на 18% больше, чем в прошлом году. Но для того, чтобы эта технология достигла своего максимального потенциала, ей необходимо улучшение. Разговор – это не только слова – это также контекстные подсказки, такие как настроение, ритм, пунктуация, фоновый шум, тон, смена диктора и многое другое. Хотя текст от технологии распознавания речи сам по себе позволяет получить много ценности, когда речь идет об аудио- или видеофайлах, записанная речь может теперь выходить за рамки простых слов. Будущее технологии распознавания речи будет учитывать все эти другие факторы. Только тогда она не будет только о том, чтобы превратить речь в текст, но и о том, чтобы превратить речь в ценность и действительно понять каждый голос.

Есть ли что-то еще, что вы хотели бы поделиться о Speechmatics?

У нас есть действительно интересные инновации, которые появятся позже в этом году, и мы с нетерпением ждем, чтобы поделиться ими, поэтому следите за нами!

Спасибо за отличное интервью, читатели, которые хотят узнать больше, могут посетить Speechmatics.