Дані Херкаскі, генеральний директор і співзасновник Kardome – Серія інтерв’ю

Дані Херкаскі, генеральний директор і співзасновник Kardome, має понад два десятиліття досвіду в акустиці, обробці сигналів та розробці алгоритмів, які він застосовує до інновацій у технології голосового керування. До заснування Kardome він був технічним директором у Silentium Ltd., де керував дослідженнями та розробками з компаніями першого рівня та академічними установами. Дані Геркаскі має ступінь доктора філософії з обробки мікрофонних масивів Університету Бар-Ілан і поєднує глибокі технічні знання з чіткою місією усунути розчарування сучасного голосового керування, створивши технологію, яка справді слухає людей, а не шум навколо них.

Kardome є піонером у сфері розробки AI-драйвених рішень для просторового слуху, які забезпечують чітке та персоналізоване голосове взаємодіяння в будь-якому середовищі — від автомобілів і конференц-залів до розумних будинків і громадських просторів. Їхня власна технологія кластеризації мовлення розрізняє голоси за місцем їх походження, дозволяючи пристроям розуміти кожного мовця так, якби він був єдиним, хто говорить. Розроблена як апаратно-незалежна та готовая до роботи на краю мережі, платформа Kardome підвищує точність розпізнавання мовлення, безпеку та досвід користувача, забезпечуючи наступне покоління взаємодії людини та машини.

Що надихнуло вас і доктора Алона Слапака заснувати Kardome?

Ідея створення Kardome виникла з поєднання захоплення та розчарування. З нашим досвідом у сфері мовлення та аудіо, як в академії, так і в промисловості, ми були вражені прогресом у розпізнаванні мовлення, особливо коли з’явилися глибокі нейронні мережі.

У тихій лабораторії технологія була феноменальною. Але як тільки ви виходили у реальний світ, ця магія зникала. Ми спостерігали, що в шумному автомобілі, зайнятому офісі чи хаотичному будинку, навіть найсучасніші системи були мало кращі за технологію 1990-х років. Це було великим бар’єром для прогресу.

Голос є найнатуральнішим способом взаємодії з нашими пристроями, справжнім наступником сенсорних екранів. Але для цього технологія повинна була подолати хаос реального життя. Ми вирішили зробити це нашою місією. Ми провели рік у гаражі, борючись з рівняннями поширення звукових хвиль та тестуванням нових ідей, поки не досягли прориву: першої демонстрації того, що зараз відомо як технологія просторового слуху Kardome.

У той момент ми знали, що маємо ключ. Ми заснували Kardome не лише для створення продукту, а для початку революції у сфері взаємодії людини та машини.

Чому традиційні методи голосового управління часто не справляються з ситуаціями, коли голоси перекриваються чи фоновий шум домінує?

Традиційні інтерфейси голосового управління працюють погано в реальному світі, оскільки їхнє програмне забезпечення використовує надто простий метод для розуміння звуку. Більшість систем використовують кілька мікрофонів для визначення напрямку прибуття звуку, підхід, який фокусується лише на куті звуку, ігноруючи інші важливі просторові дані. Цей метод негайно припиняє працювати в будь-якому реальному середовищі — як у автомобілі, офісі чи житловій кімнаті — оскільки ці середовища наповнені реверберацією, де звукові хвилі відбиваються від кожної відбиваючої поверхні. Для системи, яка розуміє лише напрям, кожне з цих відбитих відблисків сприймається як новий звук з іншого місця.

Це створює дезорієнтуючий ефект, якби пристрій був у залі “акустичних дзеркал”, де один голос здається, що йде з сотень напрямків одночасно. Нездатність розрізняти окремі голоси мовців від шторму відблисків, система не може належним чином розшифрувати звуковий пейзаж. Це фундаментальне обмеження є причиною, чому сучасні технології голосового управління мають таку погану сприйняття аудіо в реальних, хаотичних сценаріях і в кінцевому підсумку не можуть працювати надійно.

Яка технічна інновація дозволяє технологіям Kardome розглядати кожного людини як єдиного мовця в кімнаті?

Наша технічна інновація полягає у власній технології під назвою Spatial Hearing AI, яка виходить за рамки традиційних методів, що визначають лише напрямок звуку, і натомість точно визначає його місцезнаходження у тривимірному просторі. Вона працює, аналізуючи весь відбитий малюнок, який голос створює в кімнаті, розглядаючи складний спосіб відбиття звуку від поверхонь як унікальний «акустичний відбиток» для цього конкретного положення. Наш ШІ миттєво та пасивно витягує цей відбиток для кожного джерела звуку, ефективно картографуючи середовище. Цей підхід, заснований на місцезнаходженні, принципово відрізняється від традиційних систем, які легко сплутати через ті самі відбиття, які ми використовуємо як цінні дані. Коли вони чують одного оратора як натовп відбиттів, наша технологія використовує весь відбитий малюнок для визначення фактичного джерела. Практичний результат полягає в тому, що пристрій, оснащений технологією Kardome, може зосередитися на одній людині в шумному середовищі та чути її так, ніби вона розмовляє сама в тихій кімнаті. Крім того, когнітивний ШІ гарантує, що система не тільки чує слова, але й розуміє, хто їх сказав і що вони означають у контексті.

Кажуть, що голосовий ШІ переживає свій «момент iPhone». Що це означає з вашої точки зору, і наскільки ми близькі до справжнього масового впровадження?

Для мене “момент айфона” означає, що голос нарешті готовий стати основним способом взаємодії з обчислювальними пристроями.

Я бачу, як виробники впроваджують технології голосового ШІ у всі свої продукти. Автомобілі стають голосовими інтерфейсами з міркувань безпеки. Розумні будинки потребують голосових інтерфейсів, оскільки неможливо встановити сенсорні екрани скрізь. Традиційна електроніка також додає голосові можливості, оскільки це часто швидше, ніж навігація по меню. Хоча багато технологій сприяють впровадженню голосу, справжню революцію здійснить робототехніка. Оскільки роботи інтегруються в наші домівки та робочі місця, голос стане єдиним справді ефективним і природним інтерфейсом для взаємодії.

Для цього безшовного співіснування роботам потрібно розуміти нас на людському рівні. їм потрібно зрозуміти контекст та нюанси природної мови, а не лише ключові слова. їм потрібна просторова свідомість така точна, що здається магічною — інтуїтивно знаючи, що саме ви говорите з ними, навіть у шумному приміщенні. Критично, ця інтелект повинна працювати на краю для миттєвого, приватного та надійного спілкування.

Це не інкрементальне покращення; це фундаментальний зсув у тому, як люди та машини будуть взаємодіяти. Ми будуємо технологію для керівництва цим переозначенням. Я б сказав, що ми приблизно за 24 місяці від точки інфлексії, де голос стане очікуваним інтерфейсом, а не просто приємною особливістю.

Як ви бачите, що просторовий слух і когнітивний AI перетворять повсякденні пристрої — від автомобілів і розумних будинків до носимих пристроїв і громадських просторів?

Трансформація полягає в тому, щоб забезпечити природну взаємодію будь-де, без необхідності адаптувати свою поведінку до пристроїв. В автомобілях це означає справді керування без використання рук, яке працює під час руху на високих швидкостях з музикою та розмовами пасажирів. Розумні будинки стають справді розумними, коли вони можуть розуміти, хто говорить і звідки, обробляючи одночасні запити без плутанини.

Ключовий висновок полягає в тому, що просторовий слух AI не лише покращує розпізнавання мовлення, а й дозволяє створити зовсім нові парадигми взаємодії. Коли пристрої можуть зрозуміти весь звуковий пейзаж, вони можуть брати участь у природному потоці людської комунікації, а не покладатися на штучні обмеження. Носимі пристрої стають значно кориснішими, коли вони можуть ізолювати ваш голос від навколишніх розмов, а громадські простори можуть пропонувати персоналізовану, але приватну голосову допомогу. Як уже згадувалося для робототехніки, це становить фундаментальний зсув у тому, як люди та машини будуть взаємодіяти з роботами, які інтегруються у нашу життя.

Як Kardome балансує вимоги до обробки на пристрої з необхідністю продуктивності та точності?

Більшість сучасних рішень голосового AI працюють на гібридній моделі, яка складається з компонента на пристрої (краю) та компонента, заснованого на хмарі. Хоча обробка на пристрої не становить проблем для конфіденційності, оскільки дані ніколи не покидають пристрій користувача, обробка у хмарі представляє значний виклик для захисту даних.

Kardome відповідає на цей виклик, значно розширюючи можливості компонента на пристрої. Збільшуючи кількість даних, які обробляються локально, та зменшуючи залежність від хмари, Kardome забезпечує, щоб конфіденційні голосові дані ніколи не залишали пристрій, пропонуючи кращий захист приватності порівняно з іншими системами на ринку.

Одна з найбільших проблем з “завжди-слухаючими” пристроями не полягає в тому, що мікрофон захоплює аудіо, а в ризику того, що це аудіо буде завантажено у хмару для аналізу. На практиці заборонна вартість безперервної обробки у хмарі означає, що більшість комерційних систем уникатимуть цього, але це відбувається за високою ціною: нижчої якості та менш реагуючої голосової системи.

Kardome вирішує цей компроміс, привнося потужні, завжди-включені моделі мови на сам пристрій. З нашою технологією акустична сцена, природна мова та контекст аналізуються в реальному часі безпосередньо на пристрої. Жодні голосові дані ніколи не завантажуються чи зберігаються. Цей інноваційний підхід дозволяє Kardome забезпечити як сильний захист приватності даних, так і високу ефективність голосового інтерфейсу, усунувши компроміс, з яким зараз стикаються користувачі.

Як ви бачите Kardome та екосистему голосового штучного інтелекту через п’ять років, і які віхи визначатимуть, чи справді ми вступили в еру голосової першості?

Через п’ять років голосовий AI буде так само повсюдним, як сенсорні екрани та клавіатури сьогодні, і його очікуватимуть у майже кожному обчислювальному пристрої. Kardome стане операційною системою, яка дозволить користувачам керувати своїми пристроями голосом, забезпечуючи природну взаємодію з будь-яким пристроєм у будь-якому середовищі, від роботів до розумних окулярів, автомобілів.

Визначальними вехами будуть поведінкові, а не технологічні. Ми знатимемо, що досягли голосової першості, коли люди перестануть думати про голосові команди та почнуть мати природні розмови зі своїм оточенням, коли багатомовні середовища працюватимуть безшовно, і коли діти виростуть, очікуючи говорити з будь-яким пристроєм природно. Останнім мірилом не буде те, наскільки нашу технологію можна вдосконалити, а те, наскільки природно люди взаємодіятимуть з цифровим світом.

Дякуємо за велике інтерв’ю. Читачам, які бажають дізнатися більше, рекомендуємо відвідати Kardome.