Павло Осокін, співзасновник і генеральний директор AMAI – Серія інтерв’ю

Павло Осокін – співзасновник і генеральний директор AMAI, компанії зі Сан-Франциско, яка розробляє голосові двигуни штучного інтелекту. Павло керує операціями та стратегією AMAI, маючи професійну амбіцію встановити свою голосову технологію на кожен телефон у світі. У AMAI вони розробили штучний голос, який не можна відрізнити від справжньої людської мови 97% користувачів.

Ви були підприємцем усе життя, запустивши свій перший бізнес у 13 років. Що було вашим першим підприємницьким кроком, і що мотивувало вас до цього?

Я не називав це компанією, але я заробив свої перші гроші, перепродуючи речі або просто миючи машини на вулиці з відром. Моя мотивація полягала в тому, що я хотів Кока-Колу або Снікерс, а мої батьки не мали грошей. Я міг чекати, поки гроші з’являться, або заробити їх сам. Чекати мені не подобається.

Розкажіть про історію створення AMAI.

Я запитав свого партнера: “Що потрібно компаніям усього світу?” Під час цієї розмови я зрозумів, що кожна компанія шукає “продаж”. Ми почали створювати роботів, які могли б спілкуватися з клієнтами та продавати товари через електронну пошту та застосунки для обміну повідомленнями. З іншого боку, це не було чимось особливо новим, оскільки існують багато чат-ботів. Тому ми подумали, що якщо ці роботизовані системи могли б також здійснювати дзвінки, це було б круто. Оскільки на ринку було мало хороших рішень, ми створили прототип нашого синтезованого голосу, і після перших продажів ми покинули роботу над роботами та зосередилися на TTS.

Що саме означає AMAI?

Це означає “Я – штучний інтелект” (I’m AI).

Розкажіть про деякі з труднощів, пов’язаних з розробкою передової технології текст-у-голос.

Розробка передової технології текст-у-голос передбачає кілька труднощів. Першою з них є збирання даних. Навчання нейронної мережі вимагає голосів жінок та чоловіків різного віку, і чим більше, тим краще. Другою є досягнення дуже близької подібності до природного голосу. Найкращим методом є тестування різних моделей машинного навчання та постійне експериментування з різними випадками використання голосу: зокрема, потрібно знайти найбільш проблематичний зразок та обробити його окремо. Говорячи про довгострокові труднощі, може бути складно оцінити, чи став голос краще чи гірше, і в якому напрямку його слід покращувати.

Які є деякі з труднощів, пов’язаних зі розпізнаванням мовлення, коли люди взаємодіють з голосовим AI AMAI?

Існує сотні компаній, які працюють над розпізнаванням мовлення, оскільки це легше розробити. Проблема, якої зараз немає рішення, – це розпізнавання голосу дитини. Діти мають багато характеристик мови в молодому віці, тому складно врахувати всі ці особливості. Тим не менш, ми працюємо над рішенням цієї проблеми, і ми дуже близько до оголошення результату – скоро наш AI не матиме жодних проблем при взаємодії не тільки з дорослими, але й з дітьми.

Які є деякі популярні випадки використання AMAI?

Наразі це дублювання аудіокниг та використання в центрах обслуговування клієнтів.

Які мови зараз пропоновані, а які мови зараз розробляються?

Наша система з кількома дикторами включає дві мови, російську та англійську. Ідея полягає в тому, що голос, створений однією мовою, може говорити всі інші мови в нашій моделі. Наразі ми збираємо дані для 40 інших мов, і дуже скоро у нас буде 42.

Яке ваше бачення майбутнього голосових помічників штучного інтелекту?

Я вважаю, що голосові помічники перейдуть у метавсесвіт, і ми зараз вивчаємо ці можливості. Якщо ви інтегруєте помічника з розумними колонками або веб-браузером, більше людей будуть використовувати голосовий пошук та взаємодіяти з помічником щодня. Ви можете говорити з холодильником або телевізором.

Чи є щось ще, що ви хотіли б поділитися про AMAI?

AMAI використовує тільки свої власні пропрієтарні технології.

Дякую за інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати AMAI.