Pavel Osokin, Đồng sáng lập & CEO của AMAI – Loạt phỏng vấn

Pavel Osokin là Đồng sáng lập & CEO của AMAI, một công ty khởi nghiệp tại San Francisco chuyên sản xuất động cơ giọng nói AI. Pavel đang dẫn đầu hoạt động và chiến lược của Amai với tham vọng chuyên nghiệp là cài đặt công nghệ giọng nói của họ vào mọi điện thoại trên thế giới. Tại AMAI, họ đã phát triển một giọng nói AI không thể phân biệt được với giọng nói của con người bởi 97% người dùng.

Bạn đã là một doanh nhân suốt đời, bắt đầu công ty đầu tiên của mình khi mới 13 tuổi, công ty đầu tiên của bạn là gì và điều gì đã thúc đẩy tâm lý doanh nhân này?

Tôi không thực sự gọi nó là một công ty, nhưng tôi đã kiếm được tiền đầu tiên của mình bằng cách bán lại một số thứ hoặc chỉ rửa xe trên đường với một xô. Động lực của tôi là tôi muốn một lon Coke hoặc một thanh Snickers, và bố mẹ tôi không có tiền. Tôi có thể chờ tiền xuất hiện hoặc tự kiếm nó.

Bạn có thể chia sẻ câu chuyện về sự ra đời của AMAI?

Tôi đã hỏi đối tác của mình, “Các công ty trên toàn thế giới cần gì?” Trong cuộc trò chuyện đó, tôi nhận ra rằng mọi doanh nghiệp đều đang tìm kiếm một “bán hàng”. Chúng tôi đã bắt đầu tạo ra những robot có thể tương tác với khách hàng và bán sản phẩm qua thư và tin nhắn. Mặt khác, nó không phải là điều gì đó đặc biệt mới vì có nhiều chatbot sẵn có. Vì vậy, chúng tôi nghĩ rằng nếu những robot này cũng có thể thực hiện cuộc gọi, nó sẽ rất cool. Vì có ít giải pháp tốt trên thị trường, chúng tôi đã tạo ra một bản mẫu giọng nói tổng hợp của riêng mình, và sau khi bán hàng đầu tiên, chúng tôi đã bỏ qua robot và tập trung vào TTS.

AMAI cụ thể là gì?

Nó có nghĩa là Tôi là AI (Tôi là trí tuệ nhân tạo).

Bạn có thể thảo luận về một số thách thức trong việc thiết kế công nghệ Text-to-speech tiên tiến?

Thiết kế TTS tiên tiến cung cấp một số thách thức. Thứ nhất là thu thập dữ liệu. Việc đào tạo một mạng lưới thần kinh đòi hỏi phải có giọng nói của cả nam và nữ với các độ tuổi khác nhau, và càng nhiều càng tốt. Thứ hai, bạn cần đạt được sự tương đồng rất gần với giọng nói tự nhiên. Phương pháp tốt nhất là thử nghiệm các mô hình học máy khác nhau và liên tục thử nghiệm với các trường hợp sử dụng giọng nói khác nhau: cụ thể, bạn cần tìm ra mẫu tiếng nói khó khăn nhất và xử lý nó riêng biệt. Khi nói về thách thức dài hạn, nó có thể khó đánh giá liệu giọng nói đã trở nên tốt hơn hay kém hơn, và nó nên được cải thiện theo hướng nào.

Những thách thức nào đằng sau việc nhận dạng giọng nói khi con người tương tác với giọng nói AI của AMAI?

Có hàng trăm công ty đang làm việc trên việc nhận dạng giọng nói vì nó dễ phát triển hơn. Vấn đề hiện tại không có giải pháp là nhận dạng giọng nói của trẻ em. Trẻ em có nhiều đặc điểm của giọng nói ở độ tuổi trẻ, vì vậy rất khó để tính đến tất cả chúng. Tuy nhiên, chúng tôi đã làm việc trên một giải pháp cho vấn đề này, và chúng tôi rất gần với việc công bố kết quả – vì vậy sớm thôi, AI của chúng tôi sẽ không gặp vấn đề khi tương tác không chỉ với người lớn mà còn với trẻ em.

Những trường hợp sử dụng phổ biến cho AMAI là gì?

Hiện tại, nó là lồng tiếng cho sách nói và sử dụng trong các trung tâm cuộc gọi doanh nghiệp.

Ngôn ngữ nào hiện đang được cung cấp, và ngôn ngữ nào đang được làm việc?

Hệ thống nhiều người nói của chúng tôi bao gồm hai ngôn ngữ, tiếng Nga và tiếng Anh. Ý tưởng là một giọng nói được tạo ra trong một ngôn ngữ có thể nói tất cả các ngôn ngữ khác trong mô hình của chúng tôi. Hiện tại, chúng tôi đang thu thập dữ liệu cho 40 ngôn ngữ nữa, và rất sớm chúng tôi sẽ có 42.

Tầm nhìn của bạn cho tương lai của các trợ lý giọng nói AI là gì?

Tôi tin rằng các trợ lý giọng nói sẽ chuyển sang metaverse, và chúng tôi đang nghiên cứu những cơ hội này. Nếu bạn tích hợp trợ lý với loa thông minh hoặc trình duyệt web, nhiều người sẽ sử dụng tìm kiếm giọng nói và tương tác với trợ lý mỗi ngày. Bạn có thể nói chuyện với tủ lạnh hoặc TV của mình.

Có điều gì khác bạn muốn chia sẻ về AMAI?

AMAI chỉ sử dụng công nghệ độc quyền của riêng mình.

Cảm ơn bạn đã phỏng vấn, những người đọc muốn tìm hiểu thêm nên truy cập AMAI.