ฟิล มาร์แชลล์, ผู้ก่อตั้งและซีอีโอของ Spoken – ซีรีส์สัมภาษณ์

Phil Marshall, ผู้ก่อตั้งและซีอีโอของ Spoken, เป็นแพทย์, นักประดิษฐ์, ผู้ประกอบการเทคโนโลยี, และนักเขียนนิยายวิทยาศาสตร์ที่อาชีพของเขาครอบคลุมด้านการดูแลสุขภาพ, สื่อดิจิทัล, ปัญญาประดิษฐ์, และนวัตกรรมผลิตภัณฑ์ ก่อนเปิดตัว Spoken ในปี 2024, Marshall ได้ร่วมก่อตั้ง Conversa Health ซึ่งเป็นบริษัทการมีส่วนร่วมของผู้ป่วยแบบส่วนบุคคลและ AI สนทนา ที่ถูก Amwell เข้าซื้อในปี 2021 และกลายเป็นส่วนหนึ่งของธุรกิจการดูแลเสมือนอัตโนมัติของบริษัทนั้น ในช่วงแรกของอาชีพ เขาใช้เวลามากกว่าหนึ่งทศวรรษที่ WebMD ในตำแหน่งรองประธานฝ่ายกลยุทธ์ผลิตภัณฑ์, ต่อมาดำรงตำแหน่งรองประธานอาวุโสฝ่ายการจัดการผลิตภัณฑ์ที่ Press Ganey Associates, และก่อตั้งสตาร์ทอัพเทคโนโลยีวิดีโอร่วมมือ JumperCut งานของเขามุ่งเน้นมากขึ้นที่การบรรจบของ AI, การเล่าเรื่อง, อินเทอร์เฟซสมอง-คอมพิวเตอร์, และเทคโนโลยีความรู้, ผสานพื้นฐานของเขาในฐานะเทคโนโลยีและผู้ประกอบการกับความสนใจในนิยายวิทยาศาสตร์และรูปแบบการโต้ตอบดิจิทัลที่กำลังเกิดขึ้นใหม่.

Spoken เป็นแพลตฟอร์มหนังสือเสียงที่ขับเคลื่อนด้วย AI ออกแบบมาเพื่อช่วยนักเขียน, สำนักพิมพ์, และผู้ถือสิทธิ์แปลงต้นฉบับเป็นเสียงที่ผลิตอย่างมืออาชีพโดยไม่ต้องพึ่งสตูดิโอบันทึกแบบดั้งเดิม เทคโนโลยีของมันวิเคราะห์ภาษาของต้นฉบับ, สไตล์, โครงสร้างการเล่าเรื่อง, และตัวละครก่อนที่จะกำหนดเสียงที่แตกต่างสำหรับการบรรยายและบทสนทนา, รองรับการผลิตแบบผู้บรรยายคนเดียว, สองคน, และหลายคน (multi-cast) นักเขียนสามารถใช้เสียงที่สร้างขึ้นตามสั่ง, เลือกจากนักพากย์มืออาชีพที่มีค่าบริการกว่า 100 ราย, หรือโคลนเสียงของตนเอง, พร้อมยังคงเป็นเจ้าของผลงาน, มาสเตอร์, และสิทธิ์การกระจาย Spoken ยังมี API (Application Programming Interface) ที่มุ่งเน้นสำนักพิมพ์ที่ต้องการผลิตหนังสือเสียงในแคตาล็อกขนาดใหญ่, พร้อมเน้นโมเดล AI ที่มีจริยธรรมซึ่งระบุว่าผลงานเขียนจะไม่ถูกใช้ฝึกระบบของพวกเขาและนักพากย์มนุษย์ที่เข้าร่วมจะได้รับค่าตอบแทน.

อาชีพของคุณได้พาคุณจากการทำงานด้านการแพทย์และกลยุทธ์ผลิตภัณฑ์ที่ WebMD ไปสู่การก่อตั้ง Conversa Health และตอนนี้คือ Spoken. ปัญหาใดในการสร้างหนังสือเสียงที่ทำให้คุณตัดสินใจก่อตั้ง Spoken, และงานก่อนหน้าของคุณในด้าน AI สนทนามีอิทธิพลต่อแพลตฟอร์มที่คุณกำลังสร้างอยู่ในวันนี้อย่างไร?

กับ Conversa ภารกิจของเราคือการขยายเสียงของทีมดูแลสุขภาพโดยอัตโนมัติการติดต่อส่วนบุคคล, คำถามติดตามผล, และคำแนะนำที่แผนกคลินิกของระบบสุขภาพขนาดใหญ่จะให้แก่ผู้ป่วยทางโทรศัพท์หากมีเวลา ในตอนแรกเราให้บอทมีบุคลิกเป็น Persona ชื่อ Cate ที่อ้างอิงตัวเองในรูปแบบบุคคลที่หนึ่ง อย่างไรก็ตามในที่สุดฉันตัดสินใจว่าการทำให้ดูเหมือนมนุษย์นั้นไม่ซื่อสัตย์ Cate ไม่ใช่คนและฉันไม่ต้องการให้ผู้ป่วยคิดว่าเป็นคน ดังนั้นเราจึงลบชื่อ Persona และเปลี่ยนเป็นรูปพหูพจน์ “เรา” เพื่อให้มองว่าเป็นส่วนขยายของทีมดูแลสุขภาพ ซึ่งจริงๆ แล้วมันก็เป็นเช่นนั้น ประสบการณ์นี้สอนให้ฉันรู้ว่าโซลูชันอัตโนมัติยังคงให้ความรู้สึกเป็นส่วนขยายที่แท้จริงของการดูแลมนุษย์โดยไม่ต้องทำตัวเป็นมนุษย์.

ต่อมาที่ Spoken เรามุ่งเน้นที่การแสดงออกที่แท้จริงและเป็นศูนย์กลางมนุษย์ ปัญหาที่เราช่วยแก้เป็นเรื่องชัดเจน – เรื่องส่วนใหญ่ไม่สามารถเข้าถึงผู้ฟังที่เติบโตเร็วที่สุด (ผู้ฟัง) ด้วยศักยภาพเสียงเต็มรูปแบบได้เนื่องจากข้อจำกัดด้านเวลาและค่าใช้จ่าย – แต่ปรัชญาที่ฉันยึดถือมานานว่าต้องเป็นส่วนขยายที่แท้จริงของมนุษย์มีบทบาทสำคัญ ไม่เหมือนพอดคาสต์ AI ที่พยายามสร้างการสนทนาหรือเอเจนต์ที่จำลองความเมตตา การบรรยาย Multi-Cast ของ Spoken ทำให้คำพูดที่แท้จริงของนักเขียนมีชีวิตชีวา เพราะเรากำลังเล่าเรื่อง ไม่ได้พยายามจำลองการโต้ตอบของมนุษย์ ดังนั้นไม่มีการทำให้ AI ของเราดูเหมือนคน ตัวละครเหล่านี้เป็นส่วนหนึ่งของเรื่องราว ทำให้เราหลีกเลี่ยงความสับสนและความขัดแย้งได้อย่างโชคดี.

ในฐานะนักเขียนนิยายวิทยาศาสตร์แข็งและผู้ประกอบการ AI, คุณเคยคาดหวังว่า AI จะพัฒนาอย่างไร, และความเป็นจริงของการพัฒนา AI แตกต่างจากอนาคตที่คุณจินตนาการไว้ในจุดไหนบ้าง?

คำถามนี้เป็นเรื่องที่ใกล้ชิดกับหัวใจของฉัน ฉันรักการอยู่ที่จุดบรรจบของศิลปะ, วิทยาศาสตร์, และเทคโนโลยี, และการสื่อถึงระบบอัตโนมัติในนิยายวิทยาศาสตร์อนาคตของฉันเป็นตัวอย่างที่ดีของสิ่งนั้น ในความเป็นจริง ทุกบริษัทในอนาคตที่ฉันเขียนเกี่ยวกับ – และมีหลายแห่ง – มีโดเมนที่ฉันเป็นเจ้าของ, ผลิตภัณฑ์ที่ฉันออกแบบ, และแนวคิดที่ฉันเชื่อว่าอาจกลายเป็นบริษัทจริงในวันหนึ่ง แม้แต่ประติมากรรมหน้าบ้านของฉันก็ได้รับแรงบันดาลใจจากรูปแบบโมเดิร์นของโลโก้ The Kite Factory, บริษัทที่ฉันจินตนาการว่าจะสร้างเทคโนโลยีต้านแรงโน้มถ่วงที่จะแปลงโลก!

เมื่อมุ่งเน้นที่ AI ฉันมีปัญหาเมื่อนิยายวิทยาศาสตร์อนาคตไม่พูดถึงวิธีที่คนได้รับ, ใช้และแชร์ข้อมูล ในปี 2100 พวกเขายังใช้โทรศัพท์เพื่อโทรหาคนและตอบคำถามข้อเท็จจริงหรือไม่? ปรัชญาของฉันในการเขียนและในชีวิตจริงคือเรียบง่าย: สิ่งที่สามารถอัตโนมัติได้จะถูกอัตโนมัติ, และเราจะมุ่งหน้าไปสู่ข้อมูลที่เป็นเรียลไทม์มากขึ้น, การทำงานร่วมกันมากขึ้น, และการบูรณาการทางกายภาพมากขึ้น ฉันต้องเพิ่มว่า ฉันมีความไม่ชอบส่วนฝังในร่างกายส่วนบุคคล นี่คือเหตุผลที่ในเรื่องราวเบื้องหลังของหนังสือของฉัน, เมื่อ Elon Musk เชื่อมดาวเทียม Starlink ของเขากับอิมพลานท์ Neuralink และเริ่มส่งข้อความตรงเข้าสู่สมองของผู้คน, เราได้สั่งห้ามอิมพลานท์ในสมอง!

สำหรับคำถามเรื่องความแตกต่าง: เพราะฉันเชื่อว่าสิ่งที่สามารถอัตโนมัติได้จะถูกอัตโนมัติ, การอัตโนมัติคำถามข้อเท็จจริงจึงเป็นสิ่งที่หลีกเลี่ยงไม่ได้ อย่างไรก็ตามในเรื่องของหัวใจ – ศิลปะ, ดนตรีและเรื่องราว – มีความแตกต่างบ้าง เนื่องจาก AI ถูกฝึกด้วยรูปแบบที่มีอยู่แล้ว, ตามคำจำกัดความแล้วมันจะไม่สามารถสร้างสิ่งใหม่อย่างแท้จริงได้ แต่คนยังคงเขียนเรื่องราว, สร้างศิลปะ, และแต่งดนตรีโดยใช้ AI ทำอย่างไรได้? เพราะศิลปะไม่จำเป็นต้องใหม่หรือเอกลักษณ์อย่างแท้จริง สิ่งนั้น, ฉันเชื่อว่าในอนาคต, ผลงานที่ทำลายกรอบจะมีค่ามากยิ่งขึ้น ฉันหวังว่าเรายังจะสามารถรับรู้เมื่อสิ่งนั้นเกิดขึ้น.

การศึกษา Edison Research ล่าสุดเปรียบเทียบการผลิต multi-cast ของ Spoken กับเวอร์ชันมนุษย์ที่บรรยายโดยผู้บรรยายคนเดียวและผลิตอย่างมืออาชีพ คุณให้เครดิตความได้เปรียบของ Spoken มากน้อยแค่ไหนต่อเทคโนโลยี AI พื้นฐาน, และเท่าไหร่ที่มาจากการให้แต่ละตัวละครมีเสียงที่แตกต่าง? ผลลัพธ์อาจแตกต่างอย่างไรเมื่อเทียบกับการใช้ทีมบรรยายมนุษย์เต็มรูปแบบ?

การวิเคราะห์เรื่องราวและทุกตัวละครเพื่อหาเสียงที่เหมาะสมที่สุดเป็นส่วนสำคัญของ AI ของเรา เราผ่านกระบวนการเชิงเอเจนต์อย่างเข้มข้นเพื่อสกัดชั้นพื้นฐานของเรื่อง, ตั้งแต่พื้นฐานเช่นประเภทและภาษาไปจนถึงจังหวะที่กำหนดโดยสำเนียงและสไตล์, รวมถึงความสอดคล้องของฉากที่มีหลายตัวละครโต้ตอบ ชั้นเหล่านี้ที่ขับเคลื่อนด้วย AI ให้ข้อมูลแก่การบรรยายเสียงของตัวละครจริงๆ เราเรียกมันว่า “โหมดเวทมนตร์”, และคุณสามารถนึกถึงมันเหมือนการผสมสีสี.

เมื่อพูดถึงว่าผลลัพธ์อาจแตกต่างจากทีมบรรยายมนุษย์เต็มรูปแบบอย่างไร มันจริงๆ แล้วขึ้นกับต้นทุนและกระบวนการทำงาน การคลิกเดียวและค่าใช้จ่ายหลายร้อยดอลลาร์เมื่อเทียบกับทีมบรรยายเต็มรูปแบบไม่สามารถเข้าถึงได้สำหรับนักเขียนอิสระและสำนักพิมพ์ส่วนใหญ่ ซึ่งเป็นเหตุผลที่เราจึงไม่ได้ใช้เป็นจุดเปรียบเทียบ ส่วนคุณภาพแล้ว ฉันเชื่อว่าเรากำลังเข้าใกล้ความเท่าเทียมกับทีมบรรยายเต็มรูปแบบแล้ว ดังนั้นคุณภาพจะไม่แตกต่างกัน.

Spoken Multi-Cast ได้รับคะแนนสูงกว่าในฉากที่ขับเน้นตัวละคร, ในขณะที่การบรรยายของมนุษย์ทำได้ดีกว่าในส่วนบรรยายทั่วไป สิ่งใดทำให้ส่วนที่ไม่มีบทสนทนายากต่อการบรรยายของ AI, และคุณกำลังทำอะไรเพื่อปิดช่องว่างนั้น?

จริงๆ แล้วไม่ได้ว่าเนื้อหาที่ไม่มีบทสนทนาจะยากต่อการบรรยายของ AI; แต่จำนวนไดนามิกที่ AI ต้องทำงานด้วยยังน้อยกว่าที่นักพากย์มนุษย์ต้องทำงานด้วย คิดถึงทุกความละเอียดของการเปลี่ยนโทนและการส่งเสียงที่ผู้บรรยายคนเดียวสามารถนำมาสู่ข้อความได้ อย่างไรก็ตามกับ multi-cast จำนวนไดนามิกจะมากกว่ามาก เนื่องจากสีเสียงที่หลากหลายและเป็นส่วนบุคคลของตัวละครและกระบวนการผสมเสียงเหล่านั้น, อีกครั้งเหมือนการผสมสี การนี้ทำให้ฉาก multi-cast สามารถนำความสมจริงของการโต้ตอบระหว่างหลายคนมาได้ในแบบที่ผู้บรรยายคนเดียวทำได้ยาก.

สำหรับการปิดช่องว่าง จำนวนไดนามิกที่ใช้ในการบรรยาย AI แบบผู้บรรยายคนเดียวจะเพิ่มขึ้นต่อเนื่องและช่องว่างจะค่อยๆ แคบลง.

ก่อนฟังตัวอย่าง, เพียง 31% ของผู้เข้าร่วมแสดงความสนใจในหนังสือเสียงที่บรรยายด้วย AI, แต่ตัวเลขนั้นเพิ่มเป็น 65% หลังจากที่พวกเขาได้สัมผัส Spoken Multi-Cast. องค์ประกอบใดของการแสดงที่คุณเชื่อว่าเป็นสาเหตุหลักที่ทำให้มุมมองของพวกเขาเปลี่ยนแปลง?

จริงๆ แล้วเป็นทางกลับกัน และองค์ประกอบการออกแบบของแบบสำรวจนั้นสำคัญมาก 65% บอกว่าพวกเขาจะฟังหนังสือเสียงเต็มเล่มด้วยการบรรยาย นี้ หลังจากได้ฟังส่วนย่อย, ก่อน ที่รู้ว่ามันเป็น AI จากนั้นเราถามโดยทั่วไปว่าพวกเขายินดีฟังหนังสือเสียงที่บรรยายด้วย AI หรือไม่, และมีเพียง 31% ตอบว่าใช่ ต่อมาถามว่าพวกเขาคิดว่าที่ได้ฟังเป็น AI หรือไม่ เพียง 39% ของผู้ที่ได้ฟัง Spoken Multi-Cast สงสัยว่าอาจเป็น AI, เทียบกับ 35% ของผู้ที่ได้ฟังเวอร์ชันมนุษย์และคิดว่าอาจเป็น AI สิ่งนี้ทำให้คำถามต่อไปของเราปรากฏขึ้น: ตอนนี้คุณรู้แล้ว, คุณยินดีฟังหนังสือเสียงที่บรรยายด้วย AI หรือไม่? ความยินดีนั้นเพิ่มเป็น 43% หลังจากได้รับประสบการณ์, และเรากำลังปรับปรุงอย่างต่อเนื่องเพื่อปิดช่องว่างสู่เป้าหมาย 65% ของเรา.

คุณสามารถอธิบายกระบวนการทำงานของ AI เชิงเอเจนต์ที่แปลงต้นฉบับที่อัปโหลดเป็นหนังสือเสียงหลายเสียงได้หรือไม่, รวมถึงวิธีที่ระบบระบุผู้พูด, แปลความหมายตัวละคร, กำหนดเสียง, และกำหนดอารมณ์, เวลา, และการส่งเสียง?

ด้วยสิทธิบัตรที่กำลังอยู่ในขั้นตอนการขอของเรา, ฉันจะสรุปในระดับสูงว่าเป็นกระบวนการเชิงเอเจนต์ที่เข้มข้นและให้หลายชั้น เราได้พัฒนากระบวนการนี้มากกว่าสองปี พื้นฐานของเรื่อง, จังหวะของเรื่อง, ความสอดคล้องของฉาก, และสุดท้ายเสียงของตัวละครที่แม่นยำ, หรือที่ฉันเรียกว่ “สีสันของภาพวาด”, ทั้งหมดนี้เป็นส่วนหนึ่งของกระบวนการ การกำหนดโค้งของการส่งอารมณ์และเวลาเป็นสิ่งสำคัญ, และเรามุ่งเน้นทำในส่วนนี้มากที่สุด มักทำให้คนประหลาดใจว่า AI ที่ใช้เตรียมการบรรยายมีปริมาณประมาณ 5 เท่าของ AI ที่ใช้ในขั้นตอนการบรรยายจริง.

นักเขียนมีการควบคุมเชิงสร้างสรรค์ต่อการผลิตขั้นสุดท้ายมากแค่ไหน, และมีเครื่องมืออะไรบ้างเมื่อ AI แปลความหมายตัวละคร, การออกเสียง, จังหวะอารมณ์, หรือเจตนาการเล่าเรื่องผิด?

นักเขียนมีการควบคุมอย่างเต็มที่ต่อการผลิตขั้นสุดท้าย ไม่ว่าจะเป็นการเปลี่ยนแปลงอารมณ์, สำเนียง, โทนเสียง, หรือเวลา พวกเขาควบคุมทั้งหมด เป้าหมายของเราคือทำให้ได้ใกล้เคียงกับความประณีตด้วยคลิกเดียว หากนักเขียน, สำนักพิมพ์ หรือผู้ผลิตต้องการการส่งเสียงที่เฉพาะเจาะจงของข้อความ, พวกเขาสามารถใช้ “Speak It” เพื่อพูดผ่านไมโครโฟนและแสดงวิธีที่ต้องการให้ส่งเสียง, และเสียงของตัวละครจะทำตามอย่างสวยงาม.

เราเชื่อว่านักเขียนควรรู้สึกเป็นเจ้าของผลงานของตนอย่างเต็มที่, รวมถึงเสียงที่ใช้ในเครดิตเปิดและปิดของพวกเขา แม้แต่ “Made with Spoken” จะใช้เสียงที่พวกเขาเลือก, รวมถึงเสียงส่วนตัวของตนเองหากต้องการ.

Spoken อนุญาตให้นักเขียนใช้เสียงที่สร้างขึ้นตามสั่งและคลอนเสียงที่ได้รับการยอมรับจากผู้บรรยายมืออาชีพที่ได้รับค่าตอบแทนเมื่อเสียงของพวกเขาถูกใช้. วิธีการที่ความยินยอม, การเป็นเจ้าของ, การชดเชย, สิทธิ์การเพิกถอน, และการป้องกันการโคลนโดยไม่ได้รับอนุญาตถูกรวมอยู่ในโมเดลนั้นอย่างไร?

เราใช้เพียงพันธมิตรเสียงที่ปฏิบัติตามจรรยาบรรณเข้มงวด, ซึ่งรวมถึงการตรวจจับและห้ามการใช้เสียงโดยไม่ได้รับอนุญาต (โดยเฉพาะอย่างยิ่งเพื่อปกป้องเสียงที่โดดเด่นของคนดัง). ตัวอย่างเช่น เรามีเสียงชั้นนำหลายเสียงจาก ElevenLabs ในคลังของเรา นักพากย์เหล่านั้นจะได้รับค่าตอบแทนสำหรับการใช้ทุกครั้งโดยนักเขียนของเรา.

คุณมองว่า AI การบรรยายจะขยายตลาดหนังสือเสียงโดยทำให้หัวข้อที่เคยไม่คุ้มค่ากลายเป็นไปได้, หรือมันจะทดแทนส่วนของการผลิตแบบดั้งเดิม? บทบาทใดจะยังคงเป็นของมนุษย์อย่างชัดเจนเมื่อเทคโนโลยีพัฒนาขึ้น?

เราเห็นตลาดหนังสือเสียงที่ขยายอย่างมหาศาลและดึงดูดผู้อ่านใหม่, โดยเฉพาะอย่างยิ่งด้วยความสามารถ multi-cast ที่สดใสของเรา ในที่สุดตลาดที่ขยายนี้จะขับเคลื่อนโดยการผสมผสานของเทคโนโลยีและมนุษย์ เวลาเท่านั้นที่จะบอกได้, แต่การเปลี่ยนแปลงนี้อาจไม่ได้เกี่ยวกับว่ามันเป็นพรสวรรค์เสียงมนุษย์หรือ AI, แต่เกี่ยวกับกระบวนการทำงานของการควบคุมของนักเขียน/ผู้ผลิตและนิสัยการฟังของผู้ฟังที่เปลี่ยนแปลงตลอดเวลา.

Spoken ผสานการผลิตหนังสือเสียงกับการเผยแพร่, การค้นพบ, การสตรีม, ชุมชน, และการสร้างรายได้. AI จะเปลี่ยนการเล่าเรื่องโดยตรงอย่างไร, แทนที่จะทำให้กระบวนการผลิตหนังสือเสียงที่มีอยู่เร็วขึ้นและลดค่าใช้จ่าย?

การที่ผู้อ่านหรือผู้ฟัง “หลงใหลในเรื่อง” หมายความว่าอย่างไร? นั่นคือจุดสำคัญทั้งหมดของเรื่องนี้: การมอบประสบการณ์เสียงที่ดื่มด่ำให้กับผู้ชมในช่วงที่ความต้องการนิยายที่ขับเน้นตัวละครกำลังเพิ่มขึ้นและเสียงกำลังกลายเป็นรูปแบบการบริโภคเรื่องราวที่สำคัญที่สุด ในที่สุด ไม่ว่าจะเป็นเรื่องสั้น, บันทึกความทรงจำส่วนบุคคล, fanfic หรือแฟนตาซีมหากาพย์ ความเร็วและต้นทุนต่ำในการสร้างการส่งเสียงที่สดใสและเป็นธรรมชาติจะมีผลกระทบระยะยาวอย่างลึกซึ้ง ตลาดหนังสือเสียงในปัจจุบันเป็นโอกาสระยะสั้น, แต่รูปแบบสั้น, วิดีโอแนวตั้ง, ซีรีส์, fanfic, และสาขาย่อยอื่นๆ จะเจริญรุ่งเรืองจากผลนี้ และเมื่อมันเกิดขึ้น, เราต้องการให้ Spoken Multi-Cast^TM เป็นหัวใจของพวกมัน.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Spoken.