Jean-Louis Quéguiner ผู้ก่อตั้งและซีอีโอของ Gladia – ซีรีส์สัมภาษณ์

Jean-Louis Quéguiner เป็นผู้ก่อตั้งและซีอีโอของ Gladia เขาเคยดำรงตำแหน่งเป็นรองประธานฝ่ายกลุ่มของ Data, AI และ Quantum Computing ที่ OVHcloud หนึ่งในผู้ให้บริการคลาวด์ชั้นนำของยุโรป เขาได้รับวุฒิปริญญาโทด้าน Symbolic AI จาก University of Québec ในแคนาดาและ Arts et Métiers ParisTech ในปารีส ในช่วงอาชีพการงานของเขา เขาได้รับตำแหน่งสำคัญในอุตสาหกรรมต่างๆ รวมถึงการวิเคราะห์ข้อมูลทางการเงิน การใช้งาน Machine Learning สำหรับการโฆษณาดิจิทัลแบบเรียลไทม์ และการพัฒนา Speech AI APIs

Gladia มอบการถอดเสียงขั้นสูงและโซลูชัน AI แบบเรียลไทม์สำหรับการรวมเข้ากับผลิตภัณฑ์ต่างๆ ทั่วอุตสาหกรรม ภาษา และสแต็คเทคโนโลยี โดยการปรับโมเดล ASR และ Generative AI ที่ทันสมัยให้เหมาะสม ทำให้แน่ใจว่ามีการประมวลผลเสียงและภาษาที่แม่นยำและไม่มีการหน่วงเวลา Gladia ยังช่วยให้สามารถ 추출ข้อมูลเชิงลึกและเมตาดาต้าจากคอลและการประชุมได้แบบเรียลไทม์ โดยสนับสนุนกรณีการใช้งานสำคัญๆ ขององค์กร เช่น การช่วยเหลือการขายและการสนับสนุนลูกค้าแบบอัตโนมัติ

อะไรเป็นแรงบันดาลใจให้คุณตั้งใจแก้ไขปัญหาที่ท้าทายในเทคโนโลยี Speech-to-Text (STT) และคุณเห็นช่องว่างอะไรในตลาด?

เมื่อผมก่อตั้ง Gladia เป้าหมายแรกคือการสร้างบริษัท AI ที่จะทำให้เทคโนโลยีที่ซับซ้อนเป็นเรื่องง่าย แต่เมื่อเราลึกเข้าไปมากขึ้น ก็ชัดเจนว่าเทคโนโลยีเสียงเป็นพื้นที่ที่ยังพัฒนาไม่สมบูรณ์ และเป็นสิ่งสำคัญที่ต้องมุ่งเน้น

เสียงเป็นส่วนสำคัญของชีวิตประจำวัน และการสื่อสารส่วนใหญ่ของเราทำผ่านการพูด แต่เครื่องมือที่มีให้สำหรับนักพัฒนาที่จะทำงานกับข้อมูลเสียงยังไม่เพียงพอในด้านความเร็ว ความแม่นยำ และราคา โดยเฉพาะอย่างยิ่งเมื่อเทียบกับภาษาต่างๆ

ผมอยากแก้ไขปัญหานี้ โดยการแก้ปัญหาความซับซ้อนของเทคโนโลยีเสียงและจัดเรียงมันใหม่ให้เป็นเรื่องง่าย มีประสิทธิภาพ และเข้าถึงได้ นักพัฒนาควรไม่ต้องกังวลเกี่ยวกับรายละเอียดของโมเดล AI หรือความยาวของบริบทใน Speech Recognition เป้าหมายของผมคือการสร้าง Speech-to-Text API ระดับองค์กรที่ทำงานได้อย่างราบรื่น โดยไม่คำนึงถึงโมเดลหรือเทคโนโลยีเบื้องหลัง

คุณพบกับอุปสรรคที่ไม่เหมือนใครอะไรบ้างขณะสร้างโซลูชันการถอดเสียงสำหรับการใช้งานขององค์กร?

เมื่อพูดถึงการรู้จำเสียง ความเร็วและความแม่นยำ ซึ่งเป็นตัวชี้วัดประสิทธิภาพหลักในด้านนี้ มีความสัมพันธ์กันในทางกลับกันโดยการออกแบบ ซึ่งหมายความว่าการปรับปรุงสิ่งหนึ่งจะกระทบต่ออีกสิ่งหนึ่งบ้าง ค่าใช้จ่ายส่วนใหญ่เกิดจากการตัดสินใจของผู้ให้บริการระหว่างความเร็วและคุณภาพ

เมื่อสร้าง Gladia เป้าหมายของเราคือการหาสมดุลที่สมบูรณ์แบบระหว่างสองปัจจัยนี้ โดยยังคงรักษาให้เทคโนโลยีนี้สามารถเข้าถึงได้สำหรับสตาร์ทอัพและ SMEs ในกระบวนการนี้ เรายังรู้ด้วยว่าโมเดล ASR พื้นฐาน เช่น OpenAI’s Whisper ซึ่งเราได้ทำงานอย่างกว้างขวาง มีความเอนเอียงและเอียงไปทางภาษาอังกฤษมากเนื่องจากข้อมูลการฝึกอบรม ซึ่งทำให้ภาษาอื่นๆ มีการแสดงออกน้อย

ดังนั้น นอกเหนือจากการแก้ไขปัญหาเรื่องความเร็วและความแม่นยำแล้ว ยังสำคัญที่จะปรับและปรับแต่งโมเดลหลักของเราเพื่อสร้าง API ที่แท้จริงระดับโลก ซึ่งช่วยให้ธุรกิจสามารถดำเนินงานได้ทั่วภาษาต่างๆ

Gladia มีอะไรที่แตกต่างในตลาดการถอดเสียง AI ที่มีการแข่งขันสูง? สิ่งใดที่ทำให้ Whisper-Zero ASR ของคุณมีเอกลักษณ์?

เครื่องยนต์แบบเรียลไทม์ใหม่ของเรา (Gladia Real Time) สามารถทำความล่าช้าได้ถึง 300 มิลลิวินาที นอกจากนี้ยังสามารถถอดรหัสข้อมูลเชิงลึกจากคอลหรือการประชุมด้วยคุณสมบัติ “audio intelligence” เช่น การจดจำหน่วยงานที่มีชื่อเฉพาะ (NER) หรือการวิเคราะห์ความรู้สึก

ตามความรู้ของเรา มีคู่แข่งไม่มากที่สามารถให้การถอดเสียงและข้อมูลเชิงลึกได้พร้อมๆ กันในความล่าช้าที่น้อยกว่า 1 วินาที (end-to-end) และทำได้อย่างแม่นยำในภาษาอื่นนอกเหนือจากภาษาอังกฤษ การสนับสนุนภาษาของเราขยายไปถึงกว่า 100 ภาษาแล้ว

เรายังให้ความสำคัญกับการทำให้ผลิตภัณฑ์เป็นแบบ agnostic ที่แท้จริง API ของเราสอดคล้องกับสแต็คเทคโนโลยีและโพรโทคอลโทรศัพท์ที่มีอยู่ทั้งหมด รวมถึง SIP, VoIP, FreeSwitch และ Asterisk โพรโทคอลโทรศัพท์มีความซับซ้อนในการรวมเข้าด้วยกันมาก ดังนั้นเราจึงเชื่อว่าส่วนนี้ของผลิตภัณฑ์สามารถนำมูลค่าที่ยิ่งใหญ่มาให้กับตลาดได้

การหลอกลวงในโมเดล AI เป็นเรื่องที่น่ากังวล โดยเฉพาะอย่างยิ่งในการถอดเสียงแบบเรียลไทม์ คุณสามารถอธิบายได้ว่าการหลอกลวงคืออะไรในบริบทของ STT และ Gladia จัดการกับปัญหานี้อย่างไร?

การหลอกลวงมักเกิดขึ้นเมื่อโมเดลขาดความรู้หรือไม่มีบริบทเพียงพอเกี่ยวกับหัวข้อ แม้ว่าโมเดลจะสามารถสร้างผลลัพธ์ที่เหมาะสมกับการร้องขอ แต่ก็สามารถอ้างอิงข้อมูลที่มีอยู่ ณ เวลาที่ฝึกอบรมเท่านั้น ซึ่งอาจไม่ได้รับการอัปเดต การหลอกลวงเกิดขึ้นเมื่อโมเดลสร้างคำตอบที่ฟังดูสมเหตุสมผล แต่ไม่ถูกต้อง

แม้ว่าการหลอกลวงจะถูกทราบก่อนในบริบทของ LLMs แต่ก็เกิดขึ้นในโมเดลการรู้จำเสียง เช่น Whisper ASR ของ OpenAI เช่นกัน การหลอกลวงของ Whisper คล้ายกับการหลอกลวงของ LLMs เนื่องจากมีอาร์กิเทคเจอร์ที่คล้ายคลึงกัน

ดังนั้น คุณอาจพบคำในข้อความที่ไม่ได้พูดจริง ซึ่งเป็นปัญหาที่ชัดเจน โดยเฉพาะในด้านเช่นการแพทย์ ซึ่งความผิดพลาดดังกล่าวอาจมีผลกระทบอย่างรุนแรง

มีหลายวิธีในการจัดการและตรวจจับการหลอกลวง วิธีหนึ่งคือการใช้ระบบการสร้างแบบเสริมด้วยการค้นหา (RAG) ซึ่งรวมความสามารถในการสร้างของโมเดลเข้ากับกลไกการค้นหาเพื่อตรวจสอบข้อเท็จจริง อีกวิธีหนึ่งคือการใช้แนวทาง “ชุดความคิด” โดยที่โมเดลจะถูกนำผ่านชุดขั้นตอนหรือจุดตรวจสอบที่กำหนดไว้ล่วงหน้าเพื่อให้แน่ใจว่ามันจะอยู่ในเส้นทางที่สมเหตุสมผล

เราที่ Gladia ได้ทดลองใช้เทคนิคที่ผสมผสานกันเมื่อสร้าง Whisper-Zero ซึ่งเป็น ASR ที่เป็นเอกลักษณ์ของเรา ซึ่งสามารถกำจัดการหลอกลวงเกือบทั้งหมดออกไป และได้แสดงผลลัพธ์ที่ดีเยี่ยมในการถอดเสียงแบบไม่เรียลไทม์ และเรากำลังปรับให้เหมาะสมสำหรับการใช้งานแบบเรียลไทม์เพื่อให้ได้ความถูกต้องของข้อมูลสูงสุด 99.9%

เทคโนโลยี STT ต้องจัดการกับความซับซ้อนต่างๆ เช่น สัญชาติ เสียงรบกวน และการสนทนาหลายภาษา Gladia จัดการกับความท้าทายเหล่านี้อย่างไรเพื่อให้แน่ใจถึงความแม่นยำสูง?

การตรวจจับภาษาใน ASR เป็นงานที่ซับซ้อนมาก แต่ละผู้พูดมีลายเซ็นเสียงที่เป็นเอกลักษณ์ ซึ่งเรียกว่า “คุณลักษณะ” โดยการวิเคราะห์สเปกตรัมเสียง อัลกอริทึมการเรียนรู้ของเครื่องสามารถทำการจำแนกประเภทโดยใช้ Mel Frequency Cepstral Coefficients (MFCC) เพื่อแยกคุณลักษณะความถี่หลัก

MFCC เป็นวิธีที่ได้รับแรงบันดาลใจจากการรับรู้เสียงของมนุษย์ เป็นส่วนหนึ่งของสาขา “psychoacoustic” ซึ่งมุ่งเน้นไปที่วิธีการที่เรารับรู้เสียง มันเน้นย้ำถึงความถี่ที่ต่ำกว่าและใช้เทคนิคเช่นการแยกส่วนสเปกตรัมแบบปกติเพื่อแปลงเสียงเป็นสเปกตรัมความถี่

อย่างไรก็ตาม วิธีนี้มีข้อจำกัด: มันขึ้นอยู่กับเสียงเพียงอย่างเดียว ดังนั้นหากคุณพูดภาษาอังกฤษด้วยสำเนียงที่เข้มข้น ระบบอาจไม่เข้าใจเนื้อหาที่คุณพูด แต่จะพิจารณาเพียงริทึมและจังหวะ

นี่คือจุดที่ Gladia มีคำตอบที่เป็นนวัตกรรมใหม่ เราได้พัฒนาแนวทางแบบผสมผสานที่รวมคุณลักษณะ psycho-acoustic เข้ากับการทำความเข้าใจเนื้อหาเพื่อการตรวจจับภาษาแบบไดนามิก

ระบบของเราไม่เพียงแต่ฟังว่าคุณพูดอย่างไร แต่ยังเข้าใจสิ่งที่คุณพูดด้วย วิธีการแบบคู่นี้ช่วยให้สามารถสลับภาษาได้อย่างมีประสิทธิภาพและไม่ให้สำเนียงที่เข้มข้นถูกตีความผิด

การสลับภาษา ซึ่งเป็นหนึ่งในคุณสมบัติที่โดดเด่นของเรา เป็นคุณลักษณะที่สำคัญมากในการจัดการการสนทนาหลายภาษา ผู้พูดอาจเปลี่ยนภาษาในช่วงกลางการสนทนา (หรือแม้กระทั่งกลางประโยค) และความสามารถของโมเดลในการถอดเสียงได้อย่างแม่นยำแบบเรียลไทม์ถึงแม้จะเปลี่ยนภาษาก็เป็นสิ่งสำคัญ

Gladia API มีความโดดเด่นในความสามารถในการจัดการการสลับภาษาได้หลายคู่ภาษา โดยมีความแม่นยำสูง และยังทำงานได้ดีแม้ในสภาพแวดล้อมที่มีเสียงรบกวน ซึ่งอาจลดคุณภาพของการถอดเสียง

การถอดเสียงแบบเรียลไทม์ต้องการความล่าช้าที่ต่ำมาก วิธีการที่ API ของคุณบรรลุความล่าช้าน้อยกว่า 300 มิลลิวินาที ในขณะเดียวกันก็รักษาความแม่นยำไว้?

การรักษาความล่าช้าไว้ต่ำกว่า 300 มิลลิวินาที ในขณะเดียวกันก็รักษาความแม่นยำไว้ ต้องใช้แนวทางที่หลากหลายซึ่งรวมทั้งความเชี่ยวชาญด้านฮาร์ดแวร์ การปรับอัลกอริทึม และการออกแบบสถาปัตยกรรม

AI แบบเรียลไทม์ไม่เหมือนกับการประมวลผลแบบดั้งเดิม มันเชื่อมโยงโดยตรงกับพลังและประสิทธิภาพของ GPGPUs ผมได้ทำงานในพื้นที่นี้มาเกือบสิบปี โดยเป็นผู้นำฝ่าย AI ที่ OVHCloud (ผู้ให้บริการคลาวด์ที่ใหญ่ที่สุดใน EU) และได้เรียนรู้โดยตรงว่ามันเกี่ยวกับการหาสมดุลที่ถูกต้องเสมอ: คุณต้องการพลังฮาร์ดแวร์มากน้อยเพียงใด, มันใช้เงินไปเท่าใด, และคุณปรับอัลกอริทึมให้ทำงานร่วมกับฮาร์ดแวร์ได้อย่างไร

ประสิทธิภาพใน AI แบบเรียลไทม์มาจากการจัดตำแหน่งอัลกอริทึมของเราให้สอดคล้องกับความสามารถของฮาร์ดแวร์อย่างมีประสิทธิภาพ โดยทำให้แน่ใจว่าทุกการดำเนินการจะเพิ่มประสิทธิภาพสูงสุดในขณะที่ลดความล่าช้าให้เหลือน้อยที่สุด

แต่ไม่ใช่แค่อัลกอริทึมและฮาร์ดแวร์เท่านั้น สถาปัตยกรรมของระบบมีบทบาทสำคัญเช่นกัน โดยเฉพาะเครือข่าย ซึ่งสามารถส่งผลกระทบต่อความล่าช้าได้ CTO ของเราที่มีความเชี่ยวชาญด้านการออกแบบเครือข่ายที่มีความล่าช้าต่ำจากประสบการณ์ที่ Sigfox (ผู้บุกเบิก IoT) ได้ปรับเซตเครือข่ายของเราเพื่อลดความล่าช้าให้เหลือน้อยที่สุด

ดังนั้น จึงเป็นการผสมผสานระหว่างปัจจัยเหล่านี้ – การเลือกฮาร์ดแวร์ที่ชาญฉลาด, อัลกอริทึมที่ได้รับการปรับให้เหมาะสม, และการออกแบบเครือข่าย – ที่ช่วยให้เราบรรลุความล่าช้าน้อยกว่า 300 มิลลิวินาทีโดยไม่กระทบต่อความแม่นยำ

Gladia มีคุณสมบัติอื่นๆ นอกเหนือจากการถอดเสียง เช่น การระบุผู้พูด การวิเคราะห์ความรู้สึก และการทำการถอดเสียงพร้อมเวลา คุณเห็นนวัตกรรมใดๆ ที่ลูกค้าของคุณพัฒนาขึ้นโดยใช้เครื่องมือเหล่านี้?

ASR เปิดใช้งานการประยุกต์ใช้หลากหลายสำหรับแพลตฟอร์มต่างๆ ทั่วแนวตั้ง และเป็นเรื่องที่น่าประทับใจที่ได้เห็นว่าบริษัทที่เป็นผู้บุกเบิกมากมายได้ปรากฏตัวขึ้นในช่วงสองปีที่ผ่านมา โดยใช้ LLMs และ API ของเราเพื่อสร้างผลิตภัณฑ์ที่มีการแข่งขันสูง ต่อไปนี้คือตัวอย่าง:

• การบันทึกโน้ตอัจฉริยะ: ลูกค้าหลายรายกำลังสร้างเครื่องมือสำหรับมืออาชีพที่ต้องการจับและจัดระเบียบข้อมูลจากการประชุมการทำงาน การสอนในห้องเรียน หรือการปรึกษาทางการแพทย์ ด้วยการระบุผู้พูด API ของเราสามารถระบุได้ว่าใครพูดอะไร ทำให้ง่ายต่อการทำความเข้าใจการสนทนาและกำหนดรายการงานที่ต้องทำ การรวมการถอดเสียงพร้อมเวลา ช่วยให้ผู้ใช้สามารถเข้าถึงช่วงเวลาเฉพาะในบันทึกได้โดยตรง โดยไม่สูญเสียรายละเอียดใดๆ
• การเพิ่มประสิทธิภาพการขาย: ในโลกการขาย ความเข้าใจความรู้สึกของลูกค้าเป็นทุกอย่าง ทีมงานใช้การวิเคราะห์ความรู้สึกของเราเพื่อให้ได้ข้อมูลเชิงลึกแบบเรียลไทม์เกี่ยวกับวิธีการตอบสนองของลูกค้าระหว่างการโทรหรือการนำเสนอ นอกจากนี้ การถอดเสียงพร้อมเวลา ช่วยให้ทีมสามารถกลับไปที่ส่วนสำคัญของการสนทนาเพื่อปรับปรุงการเสนอขายหรือแก้ไขข้อกังวลของลูกค้าได้อย่างมีประสิทธิภาพ
• การช่วยเหลือศูนย์บริการ: บริษัทในอุตสาหกรรมศูนย์บริการต่างๆ กำลังใช้ API ของเราเพื่อให้การช่วยเหลือแบบเรียลไทม์แก่ตัวแทน และการระบุความรู้สึกของลูกค้าระหว่างการโทร การระบุผู้พูดทำให้แน่ใจว่าสิ่งที่พูดถูกกำหนดให้กับบุคคลที่ถูกต้อง ในขณะที่การถอดเสียงพร้อมเวลา ช่วยให้ผู้ดูแลสามารถตรวจสอบช่วงเวลาสำคัญหรือประเด็นด้านการปฏิบัติตามกฎระเบียบได้อย่างรวดเร็ว

คุณสามารถพูดถึงบทบาทของพจนานุกรมที่กำหนดเองและการจดจำหน่วยงานที่มีชื่อเฉพาะในด้านการปรับปรุงความน่าเชื่อถือของการถอดเสียงสำหรับผู้ใช้ระดับองค์กรได้หรือไม่?

อุตสาหกรรมหลายแห่งพึ่งพาเทอมินอลॉจีที่เฉพาะเจาะจง ชื่อแบรนด์ และภาษาที่ไม่เหมือนใคร การรวมพจนานุกรมที่กำหนดเองช่วยให้โซลูชันการถอดเสียงปรับให้เหมาะสมกับความต้องการเฉพาะเหล่านี้ ซึ่งจำเป็นต่อการรักษาความแม่นยำและให้ผลลัพธ์ที่สะท้อนถึงความต้องการทางธุรกิจของคุณ

การระบุหน่วยงานที่มีชื่อเฉพาะ (NER) ช่วยให้สามารถถอดรหัสและระบุสารสนเทศสำคัญจากข้อมูลเสียงที่ไม่มีโครงสร้าง เช่น ชื่อบุคคล องค์กร ที่ตั้ง และอื่นๆ ปัญหาทั่วไปของข้อมูลที่ไม่มีโครงสร้างคือสารสนเทศสำคัญนี้ไม่สามารถเข้าถึงได้ง่ายๆ มันถูกฝังอยู่ในข้อความ

เพื่อแก้ปัญหานี้ Gladia ได้พัฒนาแนวทางการถอดรหัสข้อมูลหลัก (KDE) แบบโครงสร้าง โดยใช้ความสามารถในการสร้างของ Whisper-ฐานของเรา เพื่อจับบริบทและระบุสารสนเทศที่เกี่ยวข้องโดยตรง

กระบวนการนี้สามารถปรับปรุงได้ด้วยคุณสมบัติเช่น พจนานุกรมที่กำหนดเองและการจดจำหน่วยงานที่มีชื่อเฉพาะ ช่วยให้ธุรกิจสามารถเติมข้อมูลสำคัญลงใน CRM ได้อย่างรวดเร็วและมีประสิทธิภาพ

ในความคิดของคุณ เทคโนโลยีการถอดเสียงแบบเรียลไทม์กำลังเปลี่ยนแปลงอุตสาหกรรมต่างๆ เช่น การสนับสนุนลูกค้า การขาย และการสร้างเนื้อหาอย่างไร?

การถอดเสียงแบบเรียลไทม์กำลังเปลี่ยนแปลงอุตสาหกรรมเหล่านี้ในลักษณะที่ลึกซึ้ง โดยขับเคลื่อนผลผลิตที่น่าประทับใจและผลประโยชน์ทางธุรกิจที่แท้จริง

สำหรับทีมสนับสนุน การถอดเสียงแบบเรียลไทม์เป็นตัวเปลี่ยนเกมในการปรับปรุงอัตราการแก้ปัญหาได้เร็วขึ้น โดยให้การสนับสนุนที่เหมาะสมแก่ตัวแทน และผลลัพธ์ที่ดีขึ้น (ในด้าน NSF, เวลาในการจัดการ, ฯลฯ) เมื่อระบบการรู้จำเสียงดีขึ้นและสามารถทำการแปลภาษาแบบเรียลไทม์ได้ ศูนย์บริการสามารถบรรลุประสบการณ์ลูกค้าที่แท้จริงทั่วโลกในระยะเวลาที่สั้นลง

ในด้านการขาย ความเร็วและข้อมูลเชิงลึกที่แม่นยำเป็นทุกอย่าง การถอดเสียงแบบเรียลไทม์เป็นเครื่องมือที่ช่วยให้พวกเขามีข้อมูลเชิงลึกที่ถูกต้องในเวลาที่เหมาะสม เพื่อให้พวกเขาสามารถมุ่งเน้นไปที่สิ่งที่สำคัญที่สุดในการปิดการขาย

สำหรับผู้สร้างเนื้อหา การถอดเสียงแบบเรียลไทม์อาจไม่เกี่ยวข้องมากในขณะนี้ แต่ยังมีศักยภาพ โดยเฉพาะอย่างยิ่งในการทำคำบรรยายและแปลภาษาแบบเรียลไทม์ระหว่างงานอีเวนต์ ส่วนใหญ่ลูกค้าด้านสื่อของเรายังคงชอบการถอดเสียงแบบไม่เรียลไทม์ เนื่องจากความเร็วไม่สำคัญนัก แต่ความแม่นยำเป็นสิ่งสำคัญสำหรับการใช้งานเช่นการแก้ไขวิดีโอและสร้างคำบรรยาย

เทคโนโลยีการถอดเสียง AI แบบเรียลไทม์ดูเหมือนจะเป็นเทรนด์ที่กำลังเติบโต คุณเห็นเทคโนโลยีนี้กำลังไปที่ไหนในอีก 5-10 ปี?

ผมรู้สึกว่าปรากฏการณ์ที่เรียกว่า “การโต้ตอบแบบเรียลไทม์” จะเป็นทุกที่ โดยพื้นฐานแล้ว สิ่งที่เรากำลังพูดถึงคือความสามารถของเครื่องจักรที่จะโต้ตอบกับมนุษย์เหมือนกับที่มนุษย์โต้ตอบกันเอง

และถ้าคุณดูหนังฮอลลีวูดที่ตั้งอยู่ในอนาคต (เช่น Her) คุณจะไม่เห็นใครโต้ตอบกับระบบอัจฉริยะผ่านคีย์บอร์ด สำหรับผม นี่เป็นหลักฐานที่ชัดเจนว่าในจินตนาการร่วมกันของมนุษยชาติ เสียงจะเป็นวิธีการหลักที่เราจะโต้ตอบกับโลกรอบๆ ตัวเรา

เสียงเป็นส่วนสำคัญของวัฒนธรรมและประวัติศาสตร์ของมนุษยชาตินานกว่าการเขียน แล้วการเขียนก็เข้ามาแทนที่เพราะช่วยให้เราสามารถเก็บรักษาความรู้ของเราได้ดีกว่าการพึ่งพาผู้สูงอายุใน社区เป็นคนพิทักษ์เรื่องราวและปรีชาญาณของเรา

ระบบ GenAI ที่สามารถเข้าใจเสียง สร้างคำตอบ และจัดเก็บการโต้ตอบของเราได้ นำสิ่งใหม่ๆ มาสู่พื้นที่นี้ มันเป็นการผสมผสานที่ดีที่สุดของทั้งสองโลก และเป็นสิ่งที่ดีที่สุดของมนุษยชาติจริงๆ มันให้พลังและพลังงานของการสื่อสารด้วยเสียงพร้อมกับประโยชน์ของความทรงจำ ซึ่งก่อนหน้านี้เฉพาะสื่อที่เขียนเท่านั้นที่สามารถรักษาไว้ให้เราได้ นี่คือเหตุผลที่ผมเชื่อว่ามันจะไปทุกที่ – มันเป็นความฝันร่วมกันสูงสุดของเรา

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Gladia เพื่อเรียนรู้เพิ่มเติม