Thuy Le, Người đứng đầu Sản phẩm tại Speechmatics – Loạt phỏng vấn

Thuy Le là Người đứng đầu Sản phẩm tại Speechmatics, Thuy có hơn hai thập kỷ kinh nghiệm trong lĩnh vực công nghệ và phát triển ý tưởng sáng tạo, cũng như bằng cấp Cơ khí từ MIT và bằng Thạc sĩ Thiết kế Sản phẩm từ Stanford. Thuy có kinh nghiệm rộng rãi trong quản lý sản phẩm, thiết kế và phát triển, cũng như nghiên cứu và phát triển, kỹ thuật, phát triển truyền thông và chiến lược kinh doanh. Tại Speechmatics, cô được giao nhiệm vụ ra mắt các sản phẩm và dịch vụ sáng tạo để đảm bảo doanh nghiệp vẫn là lãnh đạo thị trường trong mọi lĩnh vực.

Bạn đã gia nhập Speechmatics vào tháng 11 năm 2019 sau khi đã làm việc trong nhiều lĩnh vực khác nhau, bao gồm xe tự lái và phần mềm phân tích kinh doanh. Điều gì đã thu hút bạn đến với công việc nhận dạng giọng nói?

Tôi luôn bị thu hút bởi việc áp dụng công nghệ mới cho các trường hợp sử dụng thú vị và có tác động ý nghĩa. Nhận dạng giọng nói, đặc biệt tại Speechmatics, đáp ứng tiêu chí đó. Đúng vậy, thật tuyệt khi giúp khách hàng của chúng tôi tận dụng giá trị của công nghệ chuyển đổi giọng nói sang văn bản trong các sản phẩm của họ.

Là Người đứng đầu Sản phẩm tại Speechmatics, ngày làm việc của bạn bao gồm những gì?

Speechmatics là một công ty đang phát triển và đội ngũ Sản phẩm của chúng tôi nhỏ (và đang phát triển!), nên không có hai ngày nào giống nhau và mọi người đều đóng góp vào nơi và khi cần thiết. Là Người đứng đầu Sản phẩm, mọi thứ từ chiến lược công ty và sản phẩm cấp cao đến các nhiệm vụ sản phẩm thông thường như ưu tiên đường lối và tương tác với khách hàng đến giải quyết vấn đề chi tiết đều là công việc của tôi. Tất nhiên, xây dựng mối quan hệ với các bộ phận khác nhau trong tổ chức và tuyển dụng cũng là một phần quan trọng của vai trò này.

Bạn có thể thảo luận về thách thức khi tiếp cận các tập dữ liệu với các phương ngữ và giọng khác nhau?

Trong công nghệ giọng nói, động cơ thường được xây dựng bằng cách đào tạo nó trên một phương ngữ của ngôn ngữ, làm cho phương ngữ đó trở thành phương ngữ mà nó nhận ra và chuyển đổi chính xác nhất. Trong tiếng Anh, đó là tiếng Anh Mỹ, và tỷ lệ lỗi thường cao hơn đối với giọng Anh Úc, Anh, Jamaica, v.v. Vì vậy, đối với các công ty tận dụng công nghệ này để tương tác với khách hàng toàn cầu, đây là một thách thức lớn. Ba năm trước, vào năm 2018, chúng tôi đã ra mắt Global English, bộ ngôn ngữ hàng đầu trong ngành hiểu mọi phương ngữ và giọng tiếng Anh và năm ngoái, chúng tôi tiếp tục sứ mệnh này với việc ra mắt Global Spanish. Chúng tôi tin rằng để công nghệ giọng nói đạt được tiềm năng cao nhất, nó cần hiểu mọi người nó tương tác.

Một số phương pháp học máy nào được sử dụng để đào tạo từ các tập dữ liệu này?

Chúng tôi sử dụng các kỹ thuật học sâu có giám sát và mạng nơ-ron trong động cơ của mình. Chúng tôi cũng liên tục nghiên cứu các phương pháp mới, đặc biệt là cách giảm lượng dữ liệu đã được gắn nhãn cần thiết trong các mô hình nhận dạng giọng nói. Dữ liệu là chìa khóa khi xây dựng công nghệ nhận dạng giọng nói, vì vậy việc nghiên cứu để mở rộng phạm vi dữ liệu của chúng tôi là rất quan trọng. Việc sử dụng mạng nơ-ron trong động cơ của chúng tôi cho phép chúng tôi tổng quát hóa tốt hơn trên các ngữ cảnh và ngôn ngữ khác nhau.

Speechmatics hiện là lãnh đạo trong ngành với các thử nghiệm cho thấy Global Spanish chính xác hơn 3-20% so với sản phẩm của Google (GOOGL ) và 4-13% so với sản phẩm tương đương của Microsoft (MSFT ). Bạn quy kết thành công này cho yếu tố nào?

Como tôi đã đề cập trước đó, để công nghệ giọng nói thực sự là một tài sản cho các doanh nghiệp, nó cần giúp họ hiểu toàn bộ cơ sở khách hàng của mình, bất kể họ nói ngôn ngữ gì hoặc sử dụng phương ngữ nào. Đây là cốt lõi của các đổi mới tại Speechmatics, và chúng tôi cam kết giải quyết những thách thức phức tạp này. Và, chúng tôi có một đội ngũ tuyệt vời đang đam mê, nhiệt huyết và đầu tư vào việc sử dụng các kỹ thuật học sâu mới nhất để cung cấp cho khách hàng của mình công nghệ tốt nhất trên thị trường.

Ngôn ngữ hiện tại được cung cấp và ngôn ngữ nào đang được nghiên cứu để thêm vào?

Chúng tôi hiện cung cấp hơn 30 ngôn ngữ thương mại, từ tiếng Ả Rập đến tiếng Trung, tiếng Ba Lan đến tiếng Bồ Đào Nha và nhiều ngôn ngữ khác. Nhưng chính các gói ngôn ngữ tiếng Anh và tiếng Tây Ban Nha của chúng tôi là Global. Nhìn về phía trước, chúng tôi đang nghiên cứu các kỹ thuật mới sẽ không chỉ cho phép chúng tôi thêm ngôn ngữ mới nhanh hơn mà còn cải thiện các ngôn ngữ hiện tại của chúng tôi thường xuyên hơn.

Quan điểm của bạn về tương lai nơi giọng nói là hình thức giao tiếp chính?

Các doanh nghiệp ngày càng nhận thấy giá trị trong công nghệ nhận dạng giọng nói: năm 2020 đã chứng kiến sự gia tăng đáng kể trong việc áp dụng công nghệ này trong các doanh nghiệp, với 68% người được hỏi cho biết công ty của họ có chiến lược công nghệ giọng nói – tăng 18% so với năm trước. Nhưng để nó đạt được giá trị tiềm năng tối đa, công nghệ này cần được nâng cấp. Một cuộc trò chuyện không chỉ là về từ ngữ – nó cũng bao gồm các gợi ý ngữ cảnh như cảm xúc, nhịp điệu, dấu câu, tiếng ồn nền, giọng điệu, thay đổi người nói và nhiều hơn nữa. Trong khi văn bản từ công nghệ nhận dạng giọng nói cho phép tạo ra nhiều giá trị, khi nói đến tệp âm thanh hoặc thậm chí tệp video, giọng nói thực sự được ghi lại có thể mở rộng ngoài từ ngữ. Tương lai của công nghệ nhận dạng giọng nói sẽ xem xét tất cả các yếu tố này. Chỉ khi đó, nó không chỉ là về việc chuyển đổi giọng nói thành văn bản, mà là chuyển đổi giọng nói thành giá trị và thực sự hiểu mọi giọng nói.

Có điều gì khác bạn muốn chia sẻ về Speechmatics?

Chúng tôi có một số tiến bộ thú vị sẽ được công bố vào cuối năm nay và chúng tôi rất hào hứng khi chia sẻ, vì vậy hãy theo dõi!

Cảm ơn cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Speechmatics.