Simonas Poghosyanas yra bendrovės įkūrėjas ir generalinis direktorius GSpeech– žiniatinklio pagrindu sukurta dirbtinio intelekto platforma, padedanti padaryti internetinį turinį prieinamesnį, konvertuojant tekstą į natūraliai skambantį garsą daugiau nei 70 kalbų. Turėdamas VLSI dizaino patirties ir didelį susidomėjimą programavimu bei naudotojo patirtimi, Simonas sukūrė „GSpeech“, kad supaprastintų balsu valdomo turinio siūlymo būdą svetainėse.
Šiandien „GSpeech“ kas mėnesį generuoja apie 200 milijonų garso simbolių ir yra naudojama daugiau nei 70 šalių, o jos pritaikomi garso grotuvai kas mėnesį atlieka daugiau nei 200,000 1 atkūrimų. Neseniai viršijusi XNUMX milijardo sugeneruotų garso simbolių ribą, „GSpeech“ toliau sparčiai auga. Platforma sukurta taip, kad būtų lengvai integruojama – tereikia vienos kodo eilutės – ir padeda kūrėjams, pedagogams ir įmonėms padaryti savo turinį įtraukesnį ir patrauklesnį.
Jūsų VLSI (labai didelio masto integracijos) projektavimo patirtis ir ankstyvoji programavimo patirtis padėjo tvirtą techninį pagrindą. Kas įkvėpė jus pereiti nuo mikroelektronikos prie dirbtinio intelekto pagrindu sukurtos programinės įrangos kūrimo ir kaip tai lėmė „GSpeech“ sukūrimą?
Mano aistra problemų sprendimui prasidėjo dar vidurinėje mokykloje, vedama meilės matematikai ir fizikai. Šis susidomėjimas paskatino mane įgyti VLSI projektavimo bakalauro (2009 m.) ir magistro (2011 m.) laipsnius Armėnijos valstybiniame inžinerijos universitete, bendradarbiaujant su „Synopsys Armenia“. Fizikos studijos mane išugdė tikslumo ir analitinio mąstymo, tačiau antraisiais studijų metais atradau programavimą – pradėdamas nuo Pascal kalbos – ir iš karto jį pamilau. Mudu su draugu atlikdavome kursinius darbus vos tik juos gaudavome, nors iki jų pabaigos turėjome šešis mėnesius. Tada, pramogai, pradėjome atlikti kitų studentų užduotis.
Ši aistra mane dar labiau įtraukė į programinės įrangos kūrimą. Pradėjau nuo svetainių kūrimo, o vėliau sukūriau savo TVS. Baigęs keletą procesų automatizavimo ir duomenų valdymo architektūrų projektų, supratau, kaip man patinka kurti skaitmeninius sprendimus žiniatinklio sąsajoms. Įgyvendindamas „2GLux“ projektą, bendradarbiavau su Edvardu Ananyanu – populiaraus GTranslate vertimo paslaugos ir mokyklos draugas iš „Quantum“ gimnazijos. Jis supažindino mane su „WordPress“ ir „Joomla“ ekosistemomis ir koncepcija, GSpeech kilo iš jo. Šis ankstyvas darbas lėmė pirmosios mūsų įrankio versijos sukūrimą, leidžiančią vartotojams klausytis teksto tinklalapyje, ir taip pasodinant sėklą tam, kas vėliau tapo visaverte dirbtinio intelekto platforma. Iki 2023 m. įkūriau Smarts Club LLC į mastelį GSpeech į pasaulinį dirbtinio intelekto garso sprendimą, palaikantį daugiau nei 70 kalbų. Humanity Union„GSpeech“ pagyrimas už vaidmenį gerinant jų pilietinio įsitraukimo platformos prieinamumą atspindi mano misiją panaikinti skaitmeninę atskirtį pasitelkiant dirbtinį intelektą – viziją, įsišaknijusią mano ankstyvosiose programavimo dienose.
„GSpeech“ iš pradžių buvo sukurta kaip priemonė silpnaregiams. Kaip ši ankstyvoji misija paveikė platformos evoliuciją į visavertį dirbtinio intelekto teksto įgarsinimo sprendimą?
Dėmesys prieinamumui paskatino aukštos kokybės, realaus laiko dirbtinio intelekto garso kūrimą, vertimą į daugiau nei 70 kalbų ir sklandų svetainių integravimą naudojant paprastą kodo fragmentą. Ši misija lėmė tokias funkcijas kaip pritaikomi garso grotuvai, kalbos ir balso pasirinkimo skydeliai, kontekstą atitinkantis atkūrimas, garso atsisiuntimas ir išsami naudojimo statistika, įskaitant šalies, miesto, įrenginio duomenis ir atkūrimo analizę laikui bėgant – visa tai sukurta siekiant padaryti turinį įtraukesnį ir patrauklesnį. Parašęs daugiau nei 100,000 2023 kodo eilučių, XNUMX m. paleidžiau „GSpeech Cloud Console“ – keičiamo dydžio sprendimą, kuris suderina įtraukumą su pažangiomis funkcijomis, suteikdamas įmonėms ir kūrėjams galimybę savo turinį padaryti prieinamą, daugiakalbį ir interaktyvų visame žiniatinklyje.
Su kokiais didžiausiais techniniais iššūkiais susidūrėte kurdami „GSpeech Cloud Console“?
Vienas didžiausių iššūkių kuriant „GSpeech Cloud Console“ buvo sukurti keičiamo dydžio architektūrą, skirtą saugiam ir aukštos kokybės dirbtinio intelekto garso generavimui realiuoju laiku. Tam reikėjo novatoriškų sprendimų, kaip gauti atitinkamą turinį iš žiniatinklio, apdoroti garsą mūsų serveriuose ir saugoti jį debesyje, kad būtų galima greitai ir patikimai jį pateikti. Norint apsaugoti dinaminį, vartotojų sukurtą turinį, buvo labai svarbu įdiegti patikimas saugumo priemones, tokias kaip šifravimas ir prieigos kontrolė.
Kita kliūtis buvo realiuoju laiku atliekamo vertimo įgalinimas naudojant pažangius neuroninius variklius. Turėjome užtikrinti mažo delsos laiko, tikslius vertimus ir kartu sukurti intuityvią sąsają, leidžiančią vartotojams pasirinkti kalbas ir pageidaujamus balso profilius atkūrimui, teikiant pirmenybę vartotojo patogumui ir suasmeninimui. Galiausiai sukūrėme garso šablonų kūrimo vedlį su keliais pritaikomais grotuvų rodiniais, leidžiančiais vartotojams kurti unikalius, vizualiai patrauklius grotuvus, pritaikytus jų svetainėms. Lankstumo, našumo ir naudojimo paprastumo suderinimas skirtinguose įrenginiuose buvo naudingas iššūkis.
Su vertimu realiuoju laiku į daugiau nei 70 kalbų ir daugiau nei 230 natūraliai skambančių balsų. Kaip užtikrinate balso kokybę ir tikslumą tokiame įvairiame kalbų rinkinyje?
Siekdami išlaikyti pastovią balso kokybę, integruojame kelis pažangius teksto įgarsinimo (TTS) modelius, kurie yra nuolat optimizuojami ir atnaujinami. Šie daugiakalbiai varikliai labai tiksliai apdoroja mišrios kalbos turinį. Taip pat pristatome daugiau nei 100 naujų balso vibracijų, kad suteiktume vartotojams dar išraiškingesnių ir natūraliau skambančių parinkčių. Kiekvieną mėnesį „GSpeech“ generuoja daugiau nei 200 milijonų garso simbolių, aptarnaudama vartotojus daugiau nei 70 šalių, o mūsų internetiniai grotuvai naudojami daugiau nei 200,000 XNUMX kartų per mėnesį – ir šis skaičius auga. Toks mastas užtikrina nuolatinį grįžtamąjį ryšį ir realaus pasaulio testavimą, kuris tiesiogiai veikia mūsų derinimo ir kokybės kontrolę.
Gal galėtumėte papasakoti, kaip „GSpeech“ naudoja dirbtinį intelektą ir mašininį mokymąsi, kad sukurtų tikrovišką balso sintezę? Kaip neatsiliekate nuo sparčios neuroninio balso technologijos pažangos?
„GSpeech“ naudoja pažangų dirbtinį intelektą ir mašininį mokymąsi, integruodama kelis pažangiausius teksto įgarsinimo modelius, kad sukurtų tikrovišką balso sintezę. Šie modeliai, optimizuoti natūralumui ir daugiakalbystės palaikymui, apdoroja teksto įvestis, kad sukurtų aukštos kokybės garsą su tikroviška intonacija ir ritmu, net ir mišrios kalbos turiniui. Mes geriname naudotojų patirtį siūlydami pritaikomus balso stilius įvairioms kalboms. Taip pat integravome TTS slapyvardžius, kurie leidžia naudotojams apibrėžti pasirinktines taisykles, kaip tam tikri žodžiai ar frazės pateikiami garso įrašuose, pavyzdžiui, pakeičiant konkrečius terminus, kad būtų pasiektas tikslesnis tarimas ar frazavimas. Siekdami neatsilikti nuo neuroninio balso technologijų, mes nuolat vertiname ir integruojame naujausius pasiekimus, bendradarbiaujame su pramonės lyderiais ir planuojame ateityje kurti patentuotus modelius, užtikrindami, kad „GSpeech“ išliktų balso sintezės inovacijų priešakyje.
Kiek svarbus jūsų vartotojams yra balso derinimas, aukščio valdymas ir atkūrimo pritaikymas – ir kokiu naudojimo atveju labiausiai didžiuojatės, kur šios funkcijos išties sužiba?
Balso derinimas, aukščio valdymas ir atkūrimo pritaikymas yra labai svarbūs mūsų vartotojams, nes jie gali kurti unikalius, aukštos kokybės balso stilius, pritaikytus jų konkretiems poreikiams – nuo naujienų ir tinklaraščių svetainių iki prieinamo e. mokymosi turinio. Nuolatinė daugiau nei 100 naujų balso vibracijų integracija dar labiau pagerina šią funkciją, suteikdama vartotojams neprilygstamą lankstumą kurti išties išskirtinius įgarsinimus. Labiausiai didžiuojuosi „GSpeech Studio“ – nauja garso redagavimo ir generavimo platforma, kurią kuriu. Ji leidžia vartotojams kurti kelis garso kanalus, maišyti juos su fonine muzika ir eksportuoti išbaigtus įgarsinimus, suteikdama kūrėjams galimybę kurti profesionalios kokybės garsą įvairioms reikmėms. Mane giliai sujaudino regos negalią turinčio studento laiškas, kuriame jis dėkoja „GSpeech“ už savarankiško mokymosi galimybę naudojant pritaikytą garsą. Šis naudojimo atvejis parodo, kaip šios funkcijos padaro turinį prieinamą ir transformuojantį – tikslą, kurio siekiau nuo pat pirmųjų programavimo dienų.
„GSpeech“ siūlo sklandžią integraciją su „WordPress“, „Shopify“, „Wix“ ir kitomis platformomis. Kokia buvo jūsų strategija, kad platforma būtų lengvai pritaikoma kūrėjams ir įmonėms skirtingose ekosistemose?
Mūsų „GSpeech“ integracijos su tokiomis platformomis kaip „WordPress“, „Shopify“ ir „Wix“ strategija buvo orientuota į paprastumą, suderinamumą ir mastelio keitimą. Sukūrėme lengvus, modulinius papildinius ir kodo fragmentus, kurie sklandžiai integruojasi ir reikalauja minimalaus nustatymo – dažnai vos kelių paspaudimų. Tai reiškia, kad tūkstančiai straipsnių ir dinaminio turinio blokų gali akimirksniu gauti balso palaikymą – be rankinių pastangų. Siūlome labai lanksčius, gražiai suprojektuotus grotuvus, kurie prisitaiko prie įvairių įrenginių, įskaitant mobiliuosius telefonus, planšetinius kompiuterius ir stalinius kompiuterius. Mūsų grotuvai yra ne tik pritaikomi, bet ir optimizuoti prieinamumui bei vartotojų įsitraukimui. „WordPress“ atveju „GSpeech“ debesies prietaisų skydelį integravome tiesiai į administratoriaus skydelį per mūsų papildinį, supaprastindami valdymą vartotojams. Išsami dokumentacija ir intuityvios prietaisų skydeliai padeda netechniniams vartotojams diegti ir pritaikyti. Reguliarus testavimas užtikrina nuoseklų veikimą įvairiose ekosistemose, suteikdamas kūrėjams ir įmonėms galimybę lengvai pridėti dirbtinio intelekto valdomą teksto įgarsinimo funkciją.
Žvelgiant atgal į kelionę nuo 2012 m. iki šių dienų, koks buvo didžiausias asmeninis ar profesinis etapas kuriant „GSpeech“?
Didžiausias „GSpeech“ pasiekimas buvo 1 milijardo simbolių aukštos kokybės dirbtinio intelekto garso sukūrimas, demonstruojantis mūsų pasaulinį poveikį prieinamumui. Ne mažiau reikšmingi buvo atsiliepimai, kuriuos gavome iš tokių organizacijų kaip „Humanity Union“, kuri gyrė „GSpeech“ už jų socialinės atsakomybės platformos patobulinimą, ir iš tinklaraščių savininkų, kurie pavadino ją „žaidimo keitėju“ vartotojų įsitraukimo srityje. Daugiau nei 110 penkių žvaigždučių atsiliepimų įvairiose platformose, tokiose kaip WordPress bei „AppSumo“ pastaraisiais mėnesiais tai atspindi augantį pasitikėjimą.
„GSpeech“ dabar taip pat aktyviai naudoja Namangano regioninis statistikos departamentas Uzbekistane – vyriausybinė institucija, sulaukianti didelio srauto ir matoma nacionaliniu lygmeniu. Matyti, kaip viešoji įstaiga taip plačiai pritaikė mūsų technologiją, buvo reikšmingas žingsnis ir stiprus pasitikėjimo mūsų sprendimu ženklas.
Kaip krikščionis ir armėnų bažnyčios tarnas, aš taip pat stengiuosi, kai tik įmanoma, remti kitas tikėjimu pagrįstas iniciatyvas. Dažnai siūlau nemokamą „GSpeech“ krikščioniškoms svetainėms, kad padėčiau veiksmingiau skleisti jų žinią ir padaryti Šventąjį Raštą prieinamesnį garso įrašais. Tai mano mažas indėlis į kažką didesnio. Tuo pačiu metu man garbė dirbti su tokiomis atsidavusiomis tarnybomis kaip Laidas – mesijinė kongregacija ir vertinamas „GSpeech“ klientas, – kurios misija ir turinys atspindi Šventojo Rašto galią veiksme.
Šios akimirkos, kai technologijos tampa tiltu tarp tikėjimo, supratimo ir įtraukties, primena man, kodėl iš pradžių sukūrėme „GSpeech“.
Kokį vaidmenį, jūsų manymu, „GSpeech“ atliks skaitmeninės žiniasklaidos ateityje, ypač kai vis labiau dominuoja garso turinys ir balso sąsajos?
Įsivaizduoju „GSpeech“ kaip lyderę, kuriantį skaitmeninę žiniasklaidą prieinamesnę ir patrauklesnę, suteikdama dirbtinio intelekto valdomą balso prieigą prie interneto. Mūsų tikslas – pakeisti visą internetinę patirtį, kad svetainės pagal numatytuosius nustatymus taptų natūraliai interaktyvios balsu, įtraukios ir daugiakalbės. Vos viena kodo eilute svetainių savininkai gali tūkstančius straipsnių paversti įgarsintu turiniu. Žvelgdami į ateitį, kuriame „GSpeech Studio“ į galingą ir unikalią garso generavimo ir redagavimo platformą, leidžiančią vartotojams kurti daugiasluoksnį balso turinį su fonine muzika, efektais ir tiksliu derinimu. Norime, kad internetas būtų tikrai girdimas, intuityvus ir visuotinai prieinamas.
„GSpeech“ neseniai paleista „AppSumo“ platformoje ir jau pelnė beveik puikų įvertinimą iš ankstyvųjų naudotojų. Ką jums reiškė „AppSumo“ bendruomenės reakcija ir kaip planuojate toliau plėtoti šį pagreitį?
„AppSumo“ paleidimas pristatė „GSpeech“ milijonams vartotojų, o beveik idealus įvertinimas yra neįtikėtinai teigiamas. Vartotojai, pavyzdžiui, vedantys internetinius kursus, giria mūsų intuityvius įrankius ir greitai reaguojančią pagalbą, atkartodami „Humanity Union“ atsiliepimus. Vienas tinklaraštininkas mūsų balsus pavadino „išties įtraukinčiais“, o vertimus – „įspūdingais“. Jų teigiami atsiliepimai patvirtina mūsų dirbtinio intelekto pagrindu sukurto teksto įgarsinimo sprendimo vertę ir kursto mano aistrą šiam projektui. Palaikydama klientus paleidimo metu, taip pat įkvėpiau naujų idėjų, ypač „GSpeech Studio“, kurią įkvėpė vartotojų prašymai dėl pažangių garso redagavimo ir eksportavimo funkcijų. Ateityje planuoju pasinaudoti šiuo impulsu aktyviai klausydamasis mūsų bendruomenės, integruodamas jų atsiliepimus ir kurdamas novatoriškas funkcijas, kurios pagerintų prieinamumą ir įsitraukimą, užtikrindamas, kad „GSpeech“ ir toliau vystytųsi kaip transformuojanti priemonė kūrėjams ir įmonėms.
Galiausiai, kokį patarimą duotumėte jauniems kūrėjams ar verslininkams, norintiems kurti prieinamus, dirbtiniu intelektu paremtus įrankius šiandieninėje sparčiai besikeičiančioje technologijų aplinkoje?
Jauniems kūrėjams ir verslininkams patariu į savo darbą atsidėti širdimi ir nustatyti realią problemą, kuriai galite pasiūlyti unikalų, išmanų sprendimą. Pradėkite nuo mažų dalykų, tvirtai ženkite į priekį ir atidžiai klausykite klientų atsiliepimų – jie padės jums eiti keliu. Elkitės su savo vartotojais kaip su patikimais draugais, atduokite viską ir būkite kantrūs. Dirbtinio intelekto technologijas laikykite galingais sąjungininkais; išmintingai naudojamos jos sustiprina jūsų gebėjimą kurti veiksmingus, prieinamus įrankius. Kurkite su aistra, atkaklumu ir įsipareigojimu daryti pokyčius, ir sukursite sprendimus, kurie iš tiesų svarbūs.
Ačiū Antuanas Tardifas interviu. Visą interviu galite perskaityti čia: vienytis.ai.
