Matt Hocking, WellSaid Labs’ın Kurucu Ortağı – Röportaj Serisi

Matt Hocking, WellSaid Labsın kurucu ortağıdır, bir lider kuruluş düzeyinde AI Ses Jeneratörü. 15 yıldan fazla bir süredir büyük ölçekli teknoloji çözümleri sunan ve ekiplere liderlik eden bir geçmişe sahiptir.

Sizin arka planınız oldukça girişimci, AI ile nasıl ilk olarak ilgilenmeye başladınız?

Sanırım kendimi her zaman assez girişimci olarak düşündüm. Üniversiteden sonra ilk işimi kurdum ve ürün tasarımı alanında bir geçmişe sahip olduğum için, erken aşamadaki fikirlerle insanların yardımına gitme eğilimindeydim. Kariyerim boyunca, bazı mükemmel başlangıçların ardından bazı mükemmel şirketlerle çalıştım ve bu deneyimlerden esinlendim. AI, AI2’ye katıldığımda benim için yeni bir alandı, ancak bu deneyim, harika araştırmaları nasıl uygulayabileceğimi ve bu yeni gelişmelerin gelecekte birçok insana nasıl yardımcı olabileceğini hayal etmeme olanak tanıdı. Başından beri amacım, gerçek insanlar için gerçek işler geliştirmekti ve AI’nin geleceğimizde birçok heyecan verici fırsat ve verimlilik yaratma potansiyeline sahip olduğuna inanıyorum.

WellSaid Labs fikrinin nasıl ortaya çıktığını, The Allen Institute for AIdeki girişimci misafir olarak nasıl geliştirdiğinizi paylaşabilir misiniz?

2018’de The Allen Institute for Artificial Intelligence (AI2)’ye Girişimci Misafir olarak katıldım. Dünyanın en yenilikçi kuluçka merkezlerinden biri olan AI2, AI’de mümkün olanın sınırlarında çalışan en parlak zihinleri barındıran bir yer. Tasarım ve teknoloji alanındaki geçmişim, yaratıcı alanlara karşı uzun süredir devam eden bir ilgiyi destekledi ve AI’nin patlamasıyla birlikte, bu iki alanı nasıl bağlayabileceğimi keşfetmek istedim. Michael Petrochuk (WellSaid Labs’ın kurucu ortaklarından ve CTO’su) ile, interaktif bir sağlık uygulaması geliştirirken tanıştım. Bu uygulamada, hastaları çeşitli duyarlı senaryolara yönlendiren bir avatar için binlerce sesli metin kaydettik. Michael’in araştırmalarında đạt ettiği bazı đột pháları gördüğümde, insan-parite metin-sese (TTS) teknolojisini nasıl dönüştürebileceğimizi hızlıca anladık. Bu teknoloji, üzerinde çalıştığım ürünü ve diğer birçok uygulamayı ve endüstrileri etkileyebilirdi.

WellSaid Labs, AI seslendirme alanında ses oyuncularına bir platform sunan az sayıda şirketten biri. Gerçek sesleri ürününüze entegre etmenizin neden önemli olduğunu düşündünüz?

Cevabımız iki yönlü: ilk olarak, profesyonel ses oyuncularının yeteneklerini tamamlayıcı çözümler yaratmak istedik ve ses için fırsatları genişletmek istedik. İkincisi, ürünlerimizde en yüksek insan kalitesine ulaşmaya çalışıyoruz. Ses oyuncularımız, uzun süreli işbirliği ortaklarımızdır ve ses verilerinin ve sonrasında üretilen içeriklerin kullanımı için ücret ve gelir payı alırlar. Her bir ses oyuncusuna, sesinin kullanımına bağlı olarak ödeme yapıyoruz. yetenekleri ile işbirliği yapmalarını teşvik ediyoruz ve katkıları için adil bir şekilde ödeme yapmak bizim için çok önemlidir.

En yüksek insan kalitesinde ürünler sunmak için, verilerin nereden geldiğine çok dikkat ediyoruz. Bu süreç, kalite üzerinde daha fazla kontrol sahibi olmamızı sağlıyor ve derin öğrenme modellerimizi, hem insan-parite hem de belirli bağlamlara uygun stillerde konuşmaya yönelik olarak eğitiyoruz. Sadece metni okuyan bir ses yaratmıyoruz, aynı zamanda metinde bulunan şeyi gerçekleştiren çeşitli ses stilleri sunuyoruz. Müşterilerimiz, avatarlarımızdan birini kullanarak veya markaları için özel bir ses oluşturarak seslendirme yapabilirler. Gerçek ses verilerini kullanarak, işlemleri kolay ve sorunsuz hale getiriyoruz. Müşterilerimizin seslerimizi post-prodüksiyonda düzenleme ve düzenleme zorunda kalmamaları için, seslerimizin metinde bulunan şeyi gerçekleştirmesini sağlıyoruz.

Ses kitaplığımıza sürekli olarak yeni stiller ve aksanlar ekliyoruz, böylece müşterilerimizin seslerini temsil edebiliyoruz. WellSaid Labs Stüdyo’da, müşteriler ve markalar, bölge, stil ve kullanım durumuna göre farklı sesleri deneme imkanına sahipler. Bu, seslendirmeyi daha sorunsuz ve birleşik bir şekilde üretmeyi sağlar. İlk kayıt örneklenerek, kullanıcılar, belirli kelimeleri, heceleri ve telaffuzları modelin üretim aşamasında dahil edebilirler.

WellSaid Labs, ilk etik AI ses platformu olarak kendini konumlandırıyor. AI etiği size neden önemli?

AI’nin benimsenmesi ve yaygınlaşmasıyla birlikte, zararlı kullanım örnekleri ve kötü aktörlerin endişeleri her konuşmanın merkezinde yer alıyor – ve bu endişeler, gerçek dünya olayları tarafından doğrulanıyor. AI sesi de istisna değil; neredeyse her gün, bir ünlünün, kamu figürünün veya politikacının deepfake için kullanılmasıyla ilgili yeni bir rapor haber oluyor. Resmi federal düzenleme hala gelişmese de, sentetik sesin kötüye kullanımını tespit etmek ve mücadele etmek, teknolojinin ilerlemesiyle birlikte giderek daha zor hale gelecek.

AI2’den gelen AI etiği ilkeleri, Michael ve benim için ilk günden itibaren önemliydi. AI konuşma teknolojisi geliştirmek, onay, gizlilik ve genel güvenlik konularında önemli sorumluluklar getiriyor. Güvenli, etik ve sorumlu bir şekilde geliştirilmesi gerekiyor. AI ses teknolojisini kötüye kullanım potansiyelini giảmrmek ve sentetik ses geliştirilmesinde ilk günden itibaren etik ilkeleri benimsemek istedik. Federal düzenlemelerin çıkmasını beklemeyeceğiz, ancak bu alanda yasaların çıkması için desteğimiz olacak.

Etik bir AI ses platformu nasıl geliştiriyorsunuz?

WellSaid Labs, başından beri etik yeniliklere odaklandı. Güveni ve şeffaflığı, iç veri modellerinin kullanımı, açık onay gereksinimleri, içerik moderasyon programımız ve marka koruma taahhüdümüzle sağlıyoruz. WellSaid’de, kararlarımızı ve tasarımlarımızı, Sorumlu AI ilkelerine göre şekillendiriyoruz ve bu ilkeler, seslerimizin kullanımını da kapsıyor. Etik kodumuz, Hesap Verebilirlik, Şeffaflık, Gizlilik ve Güvenlik, ve Adillik ilkelerini temsil ediyor.

Hesap Verebilirlik: Uygun içeriği korumak için sıkı standartlar uyguluyoruz ve seslerimizin, zararlı, nefret dolu, sahtekarlık amaçlı veya şiddeti teşvik etmeye yönelik içerik için kullanılmasını yasaklıyoruz. Güven ve Güvenlik ekibimiz, bu standartları korumak için kapsamlı bir içerik moderasyon programı yürütüyor ve hizmet şartlarımızı ihlal etmeye çalışan kullanıcıları engelliyor.

Şeffaflık: Bir kişinin ses verilerini sentetik bir ses oluşturmak için kullanmadan önce açık onayını alıyoruz. Kullanıcılar, bir politikacı, ünlünün veya başka birinin ses klonunu oluşturmak için ses verilerini yükleyemezler,unless ki bu kişinin açık, yazılı onayı alınmış olsun.

Gizlilik ve Güvenlik: Ses oyuncularının kimliklerini korumak için stok görüntüleri ve takma adlar kullanıyoruz. Ayrıca, WellSaid Labs veya diğer sentetik ses şirketleriyle ilişkilerini paylaşırken dikkatli olmalarını teşvik ediyoruz, böylece seslerinin kötüye kullanımını azaltabiliriz.

Adillik: Ses verilerini platformumuz için sağlayan tüm ses oyuncularına ücret ve gelir payı ödüyoruz. Ayrıca, seslerinin kullanımından elde edilen gelirin adil bir şekilde paylaşıldığından emin oluyoruz.

Bu ilkelerle birlikte, entelektüel mülkiyeti de sıkı bir şekilde koruyoruz. Kullanıcılarımızın veya ses oyuncularının sağladığı içeriğin mülkiyetini iddia etmiyoruz. Her şeyde bütünlüğü, adillik ve şeffaflığı önceliklendiriyoruz, böylece sentetik konuşma teknolojimizi sorumlu ve etik bir şekilde kullanıyoruz. Farklı geçmişlerden ve deneyimlerden sesler arıyoruz, böylece WellSaid Labs’ın ses kütüphanesi, yaratıcılarını ve izleyicilerini temsil edebiliyor.

Etik yeniliklere ve AI ses teknolojisini etik ilkelerle geliştirmeye verdiğimiz önem, bizi bu alanda diğer şirketlerden ayırıyor. Güven, güvenlik ve şeffaflıkta erken yatırımlarımız, ses oyuncularımız ve müşterilerimizle güven ve bağlılık oluşturuyor. Bu, şirketler ve tüketiciler için etik olarak üretilmiş ürün ve hizmetlere olan talebin arttığı bir dönemde, bizim için çok önemli.

WellSaid Labs, AI seslerin insan-parite düzeyine ulaşmasını sağlayan kendi içi AI modelini geliştirdi. Bu, insan konuşmasındaki eksikliklerin konuşmalara eklenmesiyle mümkün oldu. Bu eksikliklerin AI’yi daha iyi yapmasını sağlayan nedir ve nasıl uygulanıyorlar?

WellSaid Labs, sadece bir başka TTS jeneratörü değil. İlk TTS teknolojileri, insan konuşmasının niteliğini, tonunu ve lehçesini tanımakta zorlanıyordu, ancak WellSaid sesleri, insan-parite düzeyine ulaştı ve konuşmalara benzersiz insan eksiklikleri getirdi.

Ses kalitemizin temel ölçütü, her zaman insan doğallığı oldu. Bu inanç, teknolojinin her aşamasında, senaryo kütüphanelerimizin oluşturulmasından, yeteneklere verdiğimiz talimatlara ve en son TTS algoritmalarımıza kadar, şekillendirdi.

Gerçek insan seslendirmelerine dayalı eğitim veriyoruz. Ses yeteneklerimiz, bizim için kaydettiğinde, senaryoları samimi ve çekici bir şekilde okurlar. Konuşma mükemmelliği, mekanik bir kavramdır ve doğal olmayan, robotik bir çıktıya yol açar. Profesyonel ses yetenekleri performans sergilediğinde, konuşma hızları değişir. Seslerinin yüksekliği, okudukları içeriğe bağlı olarak değişir. Seslerinin tonu, coşkulu bir okumayı gerektiren bir pasajda yükselir ve daha ciddi bir satırda düşer. Bu dinamik varyasyonlar, insan konuşmasının çekici bir performansını oluşturur.

Ses yeteneklerinin dinamik performanslarıyla koordinasyon içinde çalışan AI süreçleri geliştirdik. Gerçekten doğal bir TTS platformu oluşturduk. İlk uzun-form TTS sistemini, yaratıcı süreç boyunca öngörülü kontrollerle geliştirdik. Fonetik kütüphanemiz, çeşitli ses verilerini barındırır, böylece kullanıcılar, telaffuz rehberliği veya kontrollüğü gibi ses ipuçlarını modelin üretim aşamasında dahil edebilirler. WellSaid kullanıcıları, dış veri ithal etmeden, platformda seslendirmeyi kaydedebilir, düzenleyebilir ve stilize edebilir.

TTS AI şirketi kurmanın arkasındaki bazı zorlukları tartışabilir misiniz?

AI ses teknolojisinin geliştirilmesi, üreticileri ve tüketicileri için tamamen yeni bir dizi engel oluşturdu. AI sektöründeki gürültü ve hype’ye kapılmamak, ana zorluklardan biridir. Yeni ve popüler bir teknoloji olarak, birçok kuruluş, kısa vadeli AI seslendirmesi geliştirmelerinden yararlanmaya çalışıyor. Biz, etik ilkelerle ve otantiklikle yönlendirilen, herkes için bir ses sunmak istiyoruz. Bu otantiklik bağlılığı, teknolojilerimizin geliştirilmesini ve dağıtılmasını geciktirebilir, ancak WellSaid seslerinin ve verilerinin güvenliğini ve güvenliğini pekiştirir.

TTS platformumuzu geliştirmenin bir başka zorluğu, teknolojimizin kötüye kullanımını önlemek için özel onay rehberleri geliştirmekti. Bu zorluğu aşmak için, uzun süreli işbirlikleri ve seslendirmelerin geliştirilmesinde tam katılım arıyoruz, böylece hesap verebilirlik, şeffaflık ve kullanıcı güvenliğini artırabiliriz. Farklı geçmişlerden, organizasyonlardan ve deneyimlerden ses yetenekleriyle işbirliği yapıyoruz, böylece WellSaid Labs’ın ses kütüphanesi, yaratıcılarını ve dinleyicilerini temsil edebiliyor. Bu süreçler, teknolojimizin güvenli ve etik bir şekilde kullanılmasını sağlamak için kasıtlı ve detaylı bir şekilde tasarlandı, bu da geliştirme ve lansman takvimini yavaşlatabilir.

Yaratıcı AI seslerinin geleceği için vizyonunuz nedir?

Uzun bir süre, AI konuşma teknolojisi, şirketlerin anlam dolu içerik oluşturmasına olanak tanıyan kaliteli bir seviyeye ulaşamadı. Şimdi, ses teknolojisi, pahalı ekipman ve donanıma gerek kalmadan, tüm yazılı içeriğin ses formatında üretilebileceği ve yayınlanabileceği bir noktaya geldi.

AI sesleri, insan benzeri sesler üretebilir ve dijital hikaye anlatımını daha erişilebilir ve doğal hale getirmek için gereken nüansı yakalayabilir. Yaratıcı AI seslerinin geleceği, hayatın her yönünü etkileyen kapsamlı sesli deneyimler olacak. Teknoloji ilerledikçe, sentetik ve insan tarafından üretilen konuşma arasındaki sınırı bulanıklaştıran, giderek daha doğal ve ifade edici sentetik sesler göreceğiz – yeni kapılar açarak, işletmeler, iletişim, erişilebilirlik ve dünyayla etkileşim için yeni fırsatlar sunacak.

İşletmeler, AI sesli arayüzlere daha fazla kişiselleştirme bulacak ve sanal asistanlarla etkileşimleri daha immersif ve kullanıcı dostu hale getirecek. Bu gelişmeler zaten gerçekleşiyor, zeki çağrı merkezi ajanlarından hızlı yemek sürücüsüne kadar. İçerik oluşturma, reklam, ürün pazarlaması, haber anlatımı, podcast’ler, sesli kitaplar ve diğer çokluortam için, şirketlerin erişimini tek bir noktadan küresel bir varlığa genişleten çok dilli modellerle birlikte, verimliliği artırmak için araçlar geliştirerek, içerik oluşturmayı daha verimli hale getirecek. Üretim ekipleri, markalarına uygun veya dinleyiciye özel sesler oluşturmak için sentetik seslerden yararlanacak.

AI’nin tanıtılmasıyla, TTS teknolojisi, insan duygusu, tonu ve telaffuz yeteneklerini缺 etti, ancak şimdi AI destekli TTS, daha immersif ve erişilebilir deneyimler sunuyor, gerçek zamanlı konuşma yetenekleri ve interaktif konuşma ajanları da dahil olmak üzere.

İnsan benzeri konuşma yeteneklerine ulaşmak, bir yolculuktu, ancak şimdi ulaşılabilir olduğu için, AI sesinin şirketlere gerçek iş değerleri yaratmak için tam kapsamı görmeye başlıyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular WellSaid Labsı ziyaret edebilir.