Mati Staniszewski، مدیرعامل و یکی از بنیان‌گذاران ElevenLabs، می‌گوید صدا به عنوان رابط اصلی آینده هوش مصنوعی مطرح می‌شود و تعامل انسان با ماشین را متحول خواهد کرد.
او در Web Summit دوحه به TechCrunch گفت که مدل‌های صوتی اکنون فراتر از تقلید صدای انسان حرکت کرده و با قابلیت‌های استدلال مدل‌های بزرگ زبان ترکیب شده‌اند. این موضوع نحوه تعامل کاربران با فناوری را تغییر می‌دهد.
“امیدواریم در آینده همه تلفن‌هایمان در جیب بمانند و با صدا فناوری را کنترل کنیم و در دنیای واقعی غرق شویم.” – Staniszewski
این دیدگاه پشت سرمایه‌گذاری ۵۰۰ میلیون دلاری ElevenLabs با ارزش ۱۱ میلیارد دلار بوده است. سایر شرکت‌های بزرگ مانند OpenAI و Google نیز روی فناوری صوتی تمرکز کرده‌اند و Apple از طریق خریدهایی مانند Q.ai در حال توسعه فناوری‌های صوتی همیشه فعال است.
تغییر نحوه تعامل با فناوری
Seth Pierrepont از Iconiq Capital گفت که در حالی که نمایشگرها هنوز برای بازی و سرگرمی اهمیت دارند، روش‌های سنتی ورودی مانند کیبورد در حال قدیمی شدن هستند. مدل‌های هوش مصنوعی عامل‌محور به کاربران اجازه می‌دهند تعاملات طبیعی‌تری داشته باشند و نیاز به دستورهای صریح کاهش می‌یابد.
Staniszewski به این تغییر اشاره کرد: سیستم‌های صوتی آینده با حافظه مداوم و زمینه‌های قبلی تعامل، پاسخ‌های طبیعی‌تری ارائه می‌دهند.
پردازش ترکیبی و توسعه سخت‌افزار
ElevenLabs قصد دارد مدل‌های صوتی را به شکل ترکیبی از پردازش ابری و دستگاهی توسعه دهد تا از سخت‌افزارهای جدید مانند هدست‌ها و ابزارهای پوشیدنی پشتیبانی کند. این شرکت با Meta همکاری دارد تا فناوری صوتی خود را در Instagram و Horizon Worlds پیاده کند و امکان توسعه برای عینک هوشمند Ray-Ban نیز وجود دارد.
چالش‌های حریم خصوصی
با گسترده شدن استفاده از رابط‌های صوتی، نگرانی‌هایی درباره حریم خصوصی و نظارت ایجاد می‌شود و پرسش‌هایی درباره میزان ذخیره‌سازی داده‌های شخصی کاربران مطرح است. این نگرانی‌ها پیش‌تر برای شرکت‌هایی مانند Google نیز مطرح شده است.
برای لینک‌دهی داخلی می‌توان به مقالات مرتبط مانند VoiceRun: پلتفرم صوتی کد-محور AI اشاره کرد تا کاربران بتوانند بیشتر درباره فناوری‌های صوتی در هوش مصنوعی مطالعه کنند.
