ElevenLabs لایه صوتی هوش مصنوعی را می‌سازد، مدل‌هایی که متن را به گفتاری تبدیل می‌کنند که به نظر انسانی می‌رسد. اکثر مردم این فناوری را زمانی که با خدمات مشتری صحبت می‌کنند، بدون اینکه متوجه شوند، تجربه می‌کنند. برای مثال، Klarna مسئول پشتیبانی تلفنی اولیه برای 35 میلیون مشتری آمریکایی بر روی این سامانه است. همچنین Deutsche Telekom، Cisco، Adobe و یک لیست در حال رشد از دولت‌ها از آن استفاده می‌کنند. ElevenLabs همچنین به خالقان، که از پلتفرم آن برای کتاب‌های صوتی، دوبله و موسیقی استفاده می‌کنند، محصول می‌فروشد.
این شرکت در کار خود تنها نیست. در واقع، اکنون با مشتریانی مانند Decagon، یک پلتفرم هوش مصنوعی مکالمه‌ای که محصول صوتی خود را روی ElevenLabs آموزش داده و اکنون با آن رقابت می‌کند، در حال رقابت است. اما به نظر نمی‌رسد سرمایه‌گذارانش نگران باشند. این شرکت که می‌گوید درآمد سالیانه تجدیدپذیرش 600 میلیون دلار است، اکنون توسط تأمین‌کنندگانش به ارزش 22 میلیارد دلار ارزیابی شده است، با وجود اینکه تنها چهار سال از عمر خود می‌گذرد.
برای درک بیشتر، من با Mati Staniszewski، بنیان‌گذار و مدیرعامل ElevenLabs در Nrth در تورنتو، یک کنفرانس کارآفرینی محلی که قبلاً Elevate نامیده می‌شد، مصاحبه کردم. ما در مدت زمان کوتاهی، مجموعه‌ای از موضوعات را پوشش دادیم، از جمله اینکه آیا کسب‌وکارها باید به مشتریان بگویند که با یک هوش مصنوعی صحبت می‌کنند (او فکر می‌کند که باید بگویند)، و اینکه آیا می‌تواند در مورد حاشیه‌های ناخالص شرکت صحبت کند. به‌طور طبیعی، Staniszewski گفت که نمی‌تواند در این مورد جزئیات بیشتری بدهد، اما او به وضوح بیان کرد که از فشرده‌تر شدن این حاشیه‌ها در صورتی که به گسترش سهم بازار شرکت منجر شود، مشکلی ندارد.
گفتگوی ما در ادامه آمده، به صورت خلاصه و کمی ویرایش شده. می‌توانید گفت و گوی کامل را اینجا مشاهده کنید.
شما سال گذشته در TechCrunch Disrupt به ما پیوستید، جایی که گفتید مدل‌های صوتی در طول چند سال به کالای مصرفی تبدیل می‌شوند. حالا این پیش‌بینی را چطور ارزیابی می‌کنید؟
هنوز کارهای زیادی برای انجام وجود دارد، و اختلاف کیفیتی که می‌توان فقط در سطح مدل به دست آورد هنوز هم قابل توجه است. اگر به صورت بلندمدت فکر کنیم، احتمالاً سه تا پنج سال آینده، آن تفاوت‌ها کوچک‌تر خواهد شد. چیزی که ما دوست داریم انجام دهیم و اولین کسانی باشیم که می‌خواهیم آن را انجام دهیم، گذراندن آزمون تورینگ برای هوش مصنوعی مکالمه‌ای است. شما به ترکیب هوش نیاز دارید، اما همچنین به هوش عاطفی. شما باید احساسات طرف دیگر را درک کنید، تا بتوانید سرعت خود را کم کرده یا صدا را بلند کنید. این هنوز تحقق نیافته است.
اکنون چه درصدی از کسب و کار شما شرکتی است؟
اکنون ما 600 میلیون دلار در درآمد تجدیدپذیر سالیانه داریم. بیش از 55 درصد آن مربوط به کسب‌وکارهای کلاسیک است و درصد زیادی از 45 درصد باقی‌مانده مربوط به کسب‌وکارهای کوچک و متوسط، توسعه‌دهندگان، سازندگان و خالقان است.
مانند همه در هوش مصنوعی، شما به طور فزاینده‌ای با مشتری‌های خود در حال رقابت هستید. Decagon محصول صدای خود را بر روی شما آموزشی داده و اکنون از مدل‌های خود استفاده می‌کند.
مرزها هر روز بیشتر مبهم می‌شود. وقتی به مدل‌ها، پلتفرم‌ها و شرکت‌های کاربردی فکر می‌کنیم، در گذشته تقسیمات بسیار واضحی وجود داشت که کجا شروع و به کجا ختم می‌شود. امروز آن خط خیلی مبهم‌تر است. در مورد Anthropic، آنچه زمانی یک شرکت مدل بود اکنون قطعاً یک پلتفرم و به طور فزاینده ای یک مجموعه گسترده از کاربردها است. فکر می‌کنم این روند ادامه داشته باشد.
مشتریان شما می‌توانند “لایه استدلال” را از یک منوی گزینه‌ها در ElevenLabs انتخاب کنند. در زمینه استفاده از مدل‌های آزمایشگاه‌های پیشرفته در مقابل مدل‌های با وزن باز چه چیزی می‌بینید؟
این دیگر یک انتخاب دو وجهی نیست. در تجربه مشتری، اگر شما در حال تماس هستید و فقط اطلاعاتی می‌خواهید — شما در حال انجام هیچ اقدامی نیستید — می‌توانید از بسیاری از مدل‌های متن باز استفاده کنید زیرا پایگاه دانش شما تعیین می‌کند که یک تجربه خوب چیست. اما اگر خدمات مالی باشد، شما می‌خواهید که هویت‌تان تأیید شود، می‌خواهید اطلاعاتی درباره یک تراکنش داشته باشید، شاید نیز مسئله‌ای برای بازگشت وجود داشته باشد. در اینجا جایی برای اشتباه وجود ندارد. در اینجا، مدل‌های پیشرفته همچنان پیشرو خواهند بود.
برخی از مدل‌های با وزن باز چینی هستند. دولت ایالات متحده مشتری شماست. دولت‌های اروپایی نیز مشتری هستند. این مکالمات چگونه است؟
متفاوت است. در هر پیاده‌سازی، مدل‌ها و صداهایی که ما اجرا می‌کنیم به مورد بستگی دارد. اگر ما با دولت لهستان یا دولت برزیل کار کنیم، آن‌ها نیازمندی‌های خاص خود را دارند. می‌تواند یک مدل با وزن باز، یک مدل با منبع بسته، یا مدل تنظیم شده خودشان باشد. [در لهستان،] این یک مورد مربوط به بهداشت است. شما بیماران را دارید که در سیستم بهداشت عمومی وقت ملاقات می‌گذارند و 18% هرگز حاضر نمی‌شوند. پیاده‌سازی شامل نمایندگانی است که تماس می‌زنند و به شما یادآوری می‌کنند. آن‌ها مجموعه‌ای از مدل‌ها را بر اساس دانش خود بهینه کرده بودند و ما ادغام می‌کنیم در حالی که حفظ اقامت داده‌ها را انجام می‌دهیم.
آیا کسب‌وکارها باید زمانی که فردی با یک نماینده صحبت می‌کند و نه با انسان، افشاگری کنند؟
فکر می‌کنم در حال حاضر باید افشاگری وجود داشته باشد. در حال حاضر، مردم به این موضوع عادت نکرده‌اند و الگوی رایج این است که نمی‌خواهید در آن تماس احساس حقه‌گرایی داشته باشید. اما در پنج سال آینده، زمانی که همه نماینده خود را که در حال انجام کار به جای آن‌ها است، داشته باشند، شما تماس خواهید گرفت و انتظار یک نماینده را خواهید داشت. آن‌گاه فکر می‌کنم که ما به عنوان جامعه تغییر خواهیم کرد. روش‌های خوبی برای انجام این کار وجود دارد — اگر 30 دقیقه منتظر انسان باشید، به مشتری گزینه‌ای ارائه دهید. در تقریباً تمام موارد، آن‌ها نماینده را انتخاب می‌کنند و سپس شگفت‌زده می‌شوند که تجربه چقدر خوب است.
با توجه به آنچه که برای مدل‌ها و استنتاج پرداخت می‌کنید، حاشیه‌های ناخالص شما چقدر است؟
من می‌خواهم یک پاسخ مبهم بدهم. با توجه به اینکه ما آن عنصر تحقیق را داریم، قادر به بهینه‌سازی و محدود کردن مدل‌ها به شیوه‌های بسیار هوشمندانه هستیم. اما اگر بتوانیم هرگونه صرفه‌جویی را به مشتری منتقل کنیم، این کار را می‌کنیم. بزرگترین موضوع هنوز هم اثبات ارزش و بودن با مشتری است. بنابراین اگر بتوانیم سرمایه گذاری کنیم و آن ارزش را اثبات کنیم، از کاهش حاشیه‌ها که واقعاً برای ما مفید باشد، ناراحت نیستیم، تا به واقع در پنج سال آینده ارزش ساخته شود.
شما میلیون‌ها ساعت تماس خدمات مشتری دارید. آیا بر روی آن‌ها آموزش می‌دهید؟ چقدر از داده‌های آموزشی شما مصنوعی است؟
در برخی شرکت‌ها، ما مدل‌ها را با هم ایجاد کردیم. آن‌ها به یک مدل خاص برای مورد استفاده خود نیاز داشتند. در غیر این صورت، بخش بزرگ آموزش به حجم داده‌ها مربوط نمی‌شود، بلکه به حاشیه‌نویسی داده‌ها مربوط می‌شود. ما هزاران نفر را به صورت داخلی به صورت قراردادی داریم که به ما در حاشیه‌نویسی کمک می‌کنند نه تنها آنچه را گفته شد، بلکه زمانی که افراد صحبت کردند، چگونگی بیان جمله‌ها و احساساتی که استفاده شده است. ما باید مربی‌های صدایی را استخدام کنیم تا بتوانند لهجه‌ها را به طور دقیق تشخیص دهند.
گزارش شده است که شما به دنبال IPO در سال 2028 هستید. آیا می‌توانید این را تأیید کنید؟
ما دوست داریم شرکتی بسازیم که زمان آزمون را تحمل کند. ما در حال آماده‌سازی زیرساخت برای توانایی انجام این کار در سال‌های آینده هستیم. اما اینکه آیا این کار را انجام دهیم بستگی به زمان و مکان دارد.
‘سال‌ها’ بسیار مبهم است.
[می‌خندد.]
در پشت صحنه: نظر شما در مورد اینکه آیا آزمایشگاه‌های پیشرفته باید کندتر شوند، چیست؟
همه برای همکاری بر روی یافتن راهی برای تنظیم سرعت کار به توافق رسیده‌اند. اینکه آیا باید در مورد این موضوع با عمومی در میان گذاشته شود و چقدر از گفتگوهای رسانه‌ای یا مقررات باید در آن به کار رود، موضوع دیگری است. اما بله، ما همه باید احتیاط‌های لازم را هنگام پیاده‌سازی فناوری داشته باشیم. ما مدل‌های متنی و جانب هوش مدل‌ها را آموزش نمی‌دهیم، که کلیدی‌ترین نکته بحث است.
آیا ElevenLabs ممکن است به اندازه Hugging Face در معرض خطر قرار گیرد؟
ما یک گام جلوتر هستیم، زیرا ما اجزای خودتولید کننده یا تکرار شونده از هوش نمایندگان را پیاده‌سازی نمی‌کنیم. فناوری ما به شما اجازه نمی‌دهد تا نمایندگان بیشتری ایجاد کنید. هر مشتری از طریق KYC می‌گذرد. خطر امنیت سایبری قطعاً یک خطر برای جهان بزرگتر است، اما ما مجموعه‌ای از احتیاط‌ها را در دست داریم.
