AI giọng nói dự kiến sẽ vượt qua 100 tỷ đô la vào năm 2030. 🤖 Không phải vì nó đang thịnh hành mà vì nó đang trở thành nền tảng. Mỗi trợ lý, mỗi nhân viên tổng đài, mỗi robot, mỗi hệ thống tự động tương tác với con người đều cần phải hiểu lời nói. Không chỉ là từ ngữ mà còn là âm điệu, ngữ cảnh, ý định. Nhu cầu là rõ ràng. Điều ít rõ ràng hơn là sự hạn chế. Hầu hết các mô hình giọng nói được đào tạo trên các tập dữ liệu có kiểm soát. Các bản ghi âm sạch. Các nhóm người nói hạn chế. Phân bố giọng điệu hẹp. Một vài ngôn ngữ chiếm ưu thế được đại diện lại nhiều lần. Điều đó hoạt động. Cho đến khi bạn triển khai toàn cầu. Bởi vì thế giới thực không nói bằng một giọng điệu. Nó nói tiếng Tây Ban Nha ở Bogotá và tiếng Tây Ban Nha ở Madrid và chúng không nghe giống nhau. Nó nói tiếng Anh ở Lagos, London và Manila. Tất cả đều khác nhau. Nó hòa trộn các phương ngữ. Nó mang nhịp điệu văn hóa. Nó thay đổi âm điệu tùy thuộc vào ngữ cảnh. Bạn không thể sản xuất sự đa dạng đó trong một phòng thí nghiệm. Bạn không thể mô phỏng hàng triệu người nói ở hơn 180 quốc gia với sự biến đổi ngôn ngữ và ngữ cảnh sống động. Và đó là nơi khoảng cách xuất hiện. Thế hệ AI giọng nói tiếp theo sẽ không thắng vì nó được đào tạo trên nhiều thứ giống nhau. Nó sẽ thắng vì nó được đào tạo trên lời nói rộng hơn, phong phú hơn, đại diện hơn. Chất lượng cao. Sạch sẽ. Dựa trên sự đồng ý. Nhưng đa dạng toàn cầu. Dữ liệu giọng nói đa ngôn ngữ, phong phú về giọng điệu, thực tế ở quy mô vẫn còn khan hiếm. Đó là cơ hội của chúng ta. Chúng tôi đang xây dựng nguồn cung cho một nhu cầu đang bùng nổ 🤫