CEO ElevenLabs: Głos to kolejny interfejs dla AI
Głos jako następny główny interfejs dla AI
Współzałożyciel i CEO ElevenLabs Mati Staniszewski twierdzi, że głos wyłania się jako następny główny interfejs dla sztucznej inteligencji, zasadniczo zmieniając sposób, w jaki ludzie wchodzą w interakcje z maszynami, gdy modele ewoluują poza tekst i ekrany.
Postęp w technologii głosowej
Podczas wystąpienia na Web Summit w Doha, Staniszewski powiedział TechCrunch, że modele głosowe, takie jak te opracowane przez ElevenLabs, poszły dalej niż tylko odtwarzanie ludzkiej mowy — w tym niuansów emocjonalnych i intonacji — i współpracują z możliwościami rozumowania dużych modeli językowych. Według niego ta ewolucja oznacza kluczowy zwrot w sposobie, w jaki ludzie korzystają z technologii.
Patrząc w przyszłość, Staniszewski stwierdził: “Miejmy nadzieję, że wszystkie nasze telefony wrócą do kieszeni, a my będziemy mogli zanurzyć się w otaczającym nas świecie rzeczywistym, z głosem jako mechanizmem kontrolującym technologię.”
Napędzanie dynamiki w branży
Ta wizja leży u podstaw niedawnej rundy finansowania w wysokości 500 milionów dolarów przez ElevenLabs, przy wycenie na poziomie 11 miliardów dolarów. Koncepcja głosu jako głównego interfejsu zyskuje na znaczeniu w całej branży AI. Firmy takie jak OpenAI i Google kładą duży nacisk na głos w swoich modelach nowej generacji, podczas gdy Apple cicho rozwija technologie związane z głosem, zawsze w trybie czuwania, poprzez przejęcia takie jak Q.ai. W miarę jak AI rozszerza się na urządzenia noszone, pojazdy i inne sprzęty, mechanizmy sterowania przesuwają się od interakcji ekranowych do systemów sterowanych głosem, pozycjonując głos jako kluczowe pole walki dla następnej fali innowacji AI.
Zmiana paradygmatów interakcji
Na scenie Web Summit, partner generalny Iconiq Capital Seth Pierrepont wyraził podobną opinię, podkreślając, że mimo iż ekrany pozostaną istotne dla gier i rozrywki, tradycyjne metody wprowadzania danych, takie jak klawiatury, są coraz częściej postrzegane jako “przestarzałe.”
Pierrepont zauważył również, że w miarę jak systemy AI stają się bardziej agentowe, natura interakcji będzie się zmieniać. Przyszłe modele będą zawierać zabezpieczenia, integracje i świadomość kontekstu, co pozwoli im reagować przy minimalnym wyraźnym impulsie ze strony użytkownika.
Rola trwałej pamięci i kontekstu
Staniszewski podkreślił tę agentową zmianę jako jedną z najbardziej znaczących aktualnie zachodzących zmian. Wyjaśnił, że zamiast wymagać od użytkowników wyraźnego precyzowania każdej instrukcji, przyszłe systemy głosowe będą wykorzystywać trwałą pamięć i zgromadzony kontekst, aby zapewnić bardziej naturalne i bezwysiłkowe interakcje.
Ta zmiana, dodał, wpłynie na sposób wdrażania modeli głosowych. Podczas gdy wysokiej jakości modele audio historycznie opierały się na przetwarzaniu w chmurze, ElevenLabs zmierza w kierunku hybrydowego podejścia, które łączy przetwarzanie w chmurze i na urządzeniu. Strategia ta ma na celu wsparcie rozwijającego się sprzętu, takiego jak słuchawki i inne urządzenia noszone, gdzie głos staje się stałym towarzyszem, a nie okazjonalną funkcją.
Rozszerzanie współpracy i zastosowań
ElevenLabs już współpracuje z Meta, aby zintegrować swoją technologię głosową z produktami takimi jak Instagram i Horizon Worlds, platforma rzeczywistości wirtualnej Meta. Staniszewski wyraził również zainteresowanie współpracą z Meta nad okularami Ray-Ban smart glasses, ponieważ interfejsy sterowane głosem rozszerzają się na nowe formy.
Prywatność i kwestie etyczne
W miarę jak technologia głosowa staje się bardziej wszechobecna i osadzona w sprzęcie codziennego użytku, pojawiają się istotne obawy dotyczące prywatności, inwigilacji i przetwarzania danych osobowych. Bliskość systemów opartych na głosie do życia użytkowników zwiększa te ryzyka, szczególnie w świetle istniejących zarzutów wobec firm takich jak Google dotyczących niewłaściwego wykorzystania takich danych.
