Äänitekoälyn arvioidaan ylittävän 100 miljardin dollarin arvon vuoteen 2030 mennessä. 🤖 Ei siksi, että se olisi trendi, vaan koska siitä on tullut perustavanlaatuista. Jokaisen avustajan, jokaisen puhelinpalvelukeskuksen agentin, jokaisen robotin, jokaisen autonomisen järjestelmän, joka on vuorovaikutuksessa ihmisten kanssa, täytyy ymmärtää puhe. Ei pelkästään sanoja, vaan sävyä, kontekstia, tarkoitusta. Kysyntä on ilmeinen. Vähemmän ilmeinen on rajoite. Useimmat äänimallit on koulutettu hallituilla aineistoilla. Puhtaat tallenteet. Rajoitetut kaiutinpoolit. Kapeat aksenttijakaumat. Muutama hallitseva kieli yliedustettuna yhä uudelleen. Se toimii. Kunnes siirryt maailmanlaajuisesti. Koska oikea maailma ei puhu yhdellä aksentilla. Se puhuu espanjaa Bogotassa ja espanjaa Madridissa, eikä ne kuulosta samalta. Se puhuu englantia Lagosissa, Lontoossa ja Manilassa. Kaikki erilaisia. Se sekoittaa murteita. Se kantaa kulttuurista rytmiä. Sävy vaihtelee kontekstin mukaan. Sellaista monimuotoisuutta ei voi valmistaa laboratoriossa. Et voi simuloida miljoonia puhujia 180+ maassa aidolla kielellisen vaihtelun ja elävän kontekstin avulla. Ja siinä kohtaa syntyy kuilu. Seuraavan sukupolven äänitekoäly ei voita, koska se on harjoitellut lisää samoin. Se voittaa, koska se on harjoitellut laajempaa, rikkaampaa ja edustavampaa puhetta. Korkealaatuinen. Puhdas. Suostumuspohjainen. Mutta globaalisti monimuotoinen. Monikielinen, aksenttirikkaa, todellisen maailman puhedata laajassa mittakaavassa on edelleen niukkaa. Se on meidän mahdollisuutemme. Rakennamme tarjontaa kysyntään, joka räjähtää 🤫