Սիմոն Պողոսյան, GSpeech-ի հիմնադիր և գործադիր տնօրեն

Սիմոն Պողոսյան հիմնադիրն ու գործադիր տնօրենն է GSpeech, վեբ-հիմքով արհեստական ​​բանականության հարթակ, որը օգնում է առցանց բովանդակությունն ավելի մատչելի դարձնել՝ տեքստը բնական հնչողությամբ աուդիոյի վերածելով ավելի քան 70 լեզուներով: VLSI դիզայնի ոլորտում ունեցած փորձով և ծրագրավորման ու օգտագործողի փորձի նկատմամբ մեծ հետաքրքրությամբ՝ Սայմոնը ստեղծեց GSpeech-ը՝ պարզեցնելու համար, թե ինչպես են կայքերը կարող առաջարկել ձայնային բովանդակություն:

Այսօր GSpeech-ը ամեն ամիս ստեղծում է մոտ 200 միլիոն նիշ աուդիո և օգտագործվում է 70+ երկրներում, իր հարմարեցվող աուդիո նվագարկիչներով, որոնք ամսական սպասարկում են ավելի քան 200,000 նվագարկում: Վերջերս ընդհանուր առմամբ 1 միլիարդ նիշ աուդիո ստեղծելուց հետո GSpeech-ը շարունակում է արագ աճել: Հարթակը նախագծված է հեշտ ինտեգրվելու համար՝ պահանջելով ընդամենը մեկ տող կոդ և աջակցում է ստեղծողներին, մանկավարժներին և բիզնեսներին՝ իրենց բովանդակությունն ավելի ներառական և գրավիչ դարձնելու համար:

VLSI նախագծման (շատ մեծ մասշտաբի ինտեգրացիա) ոլորտում ձեր ունեցած փորձը և ծրագրավորման վաղ փորձը ամուր տեխնիկական հիմք դրեցին։ Ի՞նչը ոգեշնչեց ձեզ միկրոէլեկտրոնիկայից անցնել արհեստական ​​բանականության վրա հիմնված ծրագրային ապահովման ստեղծմանը, և ինչպե՞ս դա հանգեցրեց GSpeech-ի ստեղծմանը։

Խնդիրների լուծման հանդեպ իմ կիրքը սկսվել է ավագ դպրոցում՝ մաթեմատիկայի և ֆիզիկայի հանդեպ սիրուց մղված։ Այդ հետաքրքրությունը ինձ հանգեցրեց նրան, որ ես ստացա բակալավրի (2009) և մագիստրոսի (2011) աստիճաններ VLSI նախագծման ոլորտում՝ համագործակցելով Synopsys Armenia-ի հետ։ Ֆիզիկա ուսումնասիրելը ինձ մարզեց ճշգրիտ և վերլուծական մտածողության մեջ, բայց հենց երկրորդ կուրսում ես հայտնաբերեցի ծրագրավորումը՝ սկսած Pascal լեզվից, և անմիջապես սիրահարվեցի դրան։ Ես և ընկերս կատարում էինք դասընթացային առաջադրանքները, հենց որ դրանք ստանում էինք, չնայած որ վեց ամիս ունեինք ավարտելու։ Այնուհետև, զվարճանքի համար, սկսեցինք կատարել մյուս ուսանողների առաջադրանքները։

Այս կիրքն ինձ ավելի խորը տարավ ծրագրային ապահովման մշակման մեջ։ Ես սկսեցի կայքերի ստեղծմամբ, ապա կառուցեցի իմ սեփական CMS-ը։ Գործընթացների ավտոմատացման և տվյալների կառավարման ճարտարապետությունների նախագծման մի քանի նախագծեր ավարտելուց հետո ես հասկացա, թե որքան եմ սիրում վեբ ինտերֆեյսների համար թվային լուծումներ ստեղծելը։ 2GLux նախագծի միջոցով ես համագործակցեցի Էդվարդ Անանյանի՝ հայտնի... GTranslate թարգմանչական ծառայություն և Քվանտային մարզադահլիճի դպրոցական ընկեր։ Նա ինձ ծանոթացրեց WordPress և Joomla էկոհամակարգերի հետ և դրա հայեցակարգին GSpeech Նրա հետ է սկիզբ առել։ Այդ վաղ աշխատանքը հանգեցրեց մեր գործիքի առաջին տարբերակի ստեղծմանը, որը թույլ տվեց օգտատերերին լսել տեքստը վեբ էջում՝ հիմք դնելով այն բանին, ինչը հետագայում կդառնար լիարժեք արհեստական ​​բանականության հարթակ։ 2023 թվականին ես հիմնադրեցի Սմարթս ակումբ ՍՊԸ մասշտաբավորել GSpeech վերածվելով գլոբալ արհեստական ​​ինտելեկտի աուդիո լուծման, որը աջակցում է 70+ լեզուների։ Humanity UnionGSpeech-ի՝ իրենց քաղաքացիական ներգրավվածության հարթակի մատչելիության բարելավման գործում դերի համար գովասանքը արտացոլում է իմ առաքելությունը՝ կամուրջ դնել թվային անջրպետը արհեստական ​​բանականության միջոցով՝ տեսլական, որը արմատավորված է իմ ծրագրավորման վաղ օրերին։

GSpeech-ը սկզբնապես ստեղծվել է որպես տեսողական խնդիրներ ունեցող օգտատերերին աջակցելու գործիք: Ինչպե՞ս է այդ վաղ առաքելությունը ազդել հարթակի զարգացման վրա՝ դառնալով լիարժեք արհեստական ​​բանականությամբ տեքստից խոսք փոխակերպող լուծում:

Հասանելիության վրա կենտրոնացումը հանգեցրեց բարձրորակ, իրական ժամանակի արհեստական ​​ինտելեկտով աուդիոյի մշակմանը, 70+ լեզուներով թարգմանությանը և կայքի անխափան ինտեգրմանը՝ պարզ կոդի հատվածի միջոցով: Այս առաքելությունը հանգեցրեց այնպիսի գործառույթների ստեղծմանը, ինչպիսիք են՝ կարգավորելի աուդիո նվագարկիչները, լեզվի և ձայնի ընտրության վահանակները, համատեքստից կախված վերարտադրությունը, աուդիո ներբեռնումները և մանրամասն օգտագործման վիճակագրությունը, ներառյալ երկրի, քաղաքի, սարքի տվյալները և վերարտադրության վերլուծությունը ժամանակի ընթացքում, որոնք բոլորը նախատեսված են բովանդակությունն ավելի ներառական և գրավիչ դարձնելու համար: 100,000-ից ավելի կոդի տող գրելուց հետո, 2023 թվականին ես թողարկեցի GSpeech Cloud Console-ը՝ մասշտաբային լուծում, որը հավասարակշռում է ներառականությունը առաջադեմ ֆունկցիոնալության հետ՝ լիազորելով բիզնեսներին և ստեղծողներին իրենց բովանդակությունը դարձնել մատչելի, բազմալեզու և ինտերակտիվ ամբողջ ցանցում:

Որո՞նք էին GSpeech Cloud Console-ի մշակման ընթացքում ձեր առջև ծառացած ամենամեծ տեխնիկական մարտահրավերներից մի քանիսը։

GSpeech Cloud Console-ի մշակման ամենամեծ մարտահրավերներից մեկը իրական ժամանակում, անվտանգ, բարձրորակ արհեստական ​​բանականության միջոցով աուդիո ստեղծելու համար մասշտաբային ճարտարապետության նախագծումն էր: Սա պահանջում էր նորարարական լուծումներ՝ համացանցից համապատասխան բովանդակություն ստանալու, մեր սերվերներում աուդիոն մշակելու և ամպում արագ ու հուսալի առաքման համար պահելու համար: Հզոր անվտանգության միջոցառումների ներդրումը, ինչպիսիք են կոդավորումը և մուտքի վերահսկումը, կարևոր էր դինամիկ, օգտատիրոջ կողմից ստեղծված բովանդակությունը պաշտպանելու համար:

Մեկ այլ խոչընդոտ էր իրական ժամանակում թարգմանության հնարավորությունը՝ օգտագործելով առաջադեմ նեյրոնային շարժիչներ: Մենք պետք է ապահովեինք ցածր լատենտությամբ, ճշգրիտ թարգմանություններ՝ միաժամանակ ստեղծելով ինտուիտիվ ինտերֆեյս, որը թույլ կտար օգտատերերին ընտրել լեզուներ և նախընտրելի ձայնային պրոֆիլներ վերարտադրման համար՝ առաջնահերթություն տալով օգտատիրոջ հարմարավետությանը և անհատականացմանը: Վերջապես, մենք մշակեցինք աուդիո ձևանմուշի ստեղծման օգնական՝ բազմաթիվ կարգավորելի նվագարկիչների դիտումներով, որը թույլ կտա օգտատերերին ստեղծել եզակի, տեսողականորեն գրավիչ նվագարկիչներ՝ հարմարեցված իրենց կայքերին: Ճկունության, արդյունավետության և սարքերում օգտագործման հեշտության հավասարակշռությունը արժեքավոր մարտահրավեր էր:

70+ լեզուներով իրական ժամանակի թարգմանությամբ և 230-ից ավելի բնական հնչողությամբ ձայներով։ Ինչպե՞ս եք ապահովում ձայնի որակը և պահպանում ճշգրտությունը այդքան բազմազան լեզվական համակարգում։

Ձայնի կայուն որակը պահպանելու համար մենք ինտեգրում ենք բազմաթիվ առաջադեմ տեքստից խոսք (TTS) մոդելներ, որոնք անընդհատ օպտիմիզացվում և թարմացվում են: Այս բազմալեզու շարժիչները բարձր ճշգրտությամբ մշակում են խառը լեզուներով բովանդակությունը: Մենք նաև ներդնում ենք ավելի քան 100 նոր ձայնային թրթռումներ՝ օգտատերերին ավելի արտահայտիչ և բնական հնչողությամբ տարբերակներ տրամադրելու համար: Ամեն ամիս GSpeech-ը ստեղծում է ավելի քան 200 միլիոն նիշ աուդիո, սպասարկելով ավելի քան 70 երկրների օգտատերերի, իսկ մեր առցանց նվագարկիչները օգտագործվում են ամսական ավելի քան 200,000 անգամ՝ և աճում են: Այս մասշտաբը ապահովում է շարունակական հետադարձ կապ և իրական աշխարհի փորձարկումներ, որոնք անմիջականորեն ազդում են մեր կարգավորման և որակի վերահսկողության վրա:

Կարո՞ղ եք մեզ բացատրել, թե ինչպես է GSpeech-ը օգտագործում արհեստական ​​բանականությունը և մեքենայական ուսուցումը՝ կենդանի ձայնի սինթեզ ապահովելու համար: Ինչպե՞ս եք կարողանում համընթաց քայլել նեյրոնային ձայնային տեխնոլոգիայի արագ զարգացումներին:

GSpeech-ը օգտագործում է առաջադեմ արհեստական ​​բանականություն և մեքենայական ուսուցում՝ ինտեգրելով բազմաթիվ ժամանակակից տեքստից խոսքի մոդելներ՝ կենդանի ձայնային սինթեզ ստեղծելու համար: Այս մոդելները, որոնք օպտիմալացված են բնականության և բազմալեզու աջակցության համար, մշակում են տեքստային մուտքագրումները՝ ստեղծելով բարձրորակ աուդիո՝ իրատեսական ինտոնացիայով և ռիթմով, նույնիսկ խառը լեզվական բովանդակության համար: Մենք բարելավում ենք օգտագործողի փորձը՝ առաջարկելով տարբեր լեզուների համար հարմարեցվող ձայնային ոճեր: Մենք նաև ինտեգրել ենք TTS կեղծանուններ, որոնք թույլ են տալիս օգտատերերին սահմանել հատուկ կանոններ այն մասին, թե ինչպես են որոշակի բառեր կամ արտահայտություններ մատուցվում աուդիոյում՝ օրինակ՝ փոխարինելով որոշակի տերմիններ՝ ավելի ճշգրիտ արտասանություն կամ արտահայտություն ստանալու համար: Նեյրոնային ձայնային տեխնոլոգիայի հետ համընթաց մնալու համար մենք անընդհատ գնահատում և ինտեգրում ենք վերջին զարգացումները, համագործակցում ենք ոլորտի առաջատարների հետ և պլանավորում ենք ապագայում մշակել սեփական մոդելներ՝ ապահովելով, որ GSpeech-ը մնա ձայնային սինթեզի նորարարությունների առաջատարը:

Որքանո՞վ կարևոր են ձայնի կարգավորումը, տոնայնության կառավարումը և նվագարկման անհատականացումը ձեր օգտատերերի համար, և ո՞ր դեպքում եք ամենաշատը հպարտանում, երբ այս գործառույթներն իրականում փայլում են։

Ձայնի կարգավորումը, տոնայնության կառավարումը և նվագարկման հարմարեցումը կարևորագույն նշանակություն ունեն մեր օգտատերերի համար, որոնք թույլ են տալիս նրանց ստեղծել եզակի, բարձրորակ ձայնային ոճեր, որոնք հարմարեցված են իրենց կոնկրետ կարիքներին՝ նորություններից և բլոգներից մինչև հասանելի էլեկտրոնային ուսուցման բովանդակություն: Ավելի քան 100 նոր ձայնային երանգների շարունակական ինտեգրումը էլ ավելի է բարելավում սա՝ օգտատերերին առաջարկելով աննախադեպ ճկունություն՝ ստեղծելու իսկապես յուրահատուկ հնչյունավորումներ: Ես ամենից շատ հպարտ եմ GSpeech Studio-ով, որը իմ կողմից մշակվող նոր աուդիո խմբագրման և ստեղծման հարթակ է: Այն թույլ է տալիս օգտատերերին ստեղծել բազմաթիվ աուդիո ալիքներ, խառնել դրանք ֆոնային երաժշտության հետ և արտահանել հղկված հնչյունավորումներ՝ հնարավորություն տալով ստեղծողներին ստեղծել պրոֆեսիոնալ մակարդակի աուդիո տարբեր կիրառությունների համար: Տեսողական խնդիրներ ունեցող ուսանողի նամակը, որում նա շնորհակալություն էր հայտնում GSpeech-ին անհատականացված աուդիոյի միջոցով անկախ ուսումնասիրություն հնարավոր դարձնելու համար, խորապես հուզեց ինձ: Այս օգտագործման դեպքը ցույց է տալիս, թե ինչպես են այս հնարավորությունները դարձնում բովանդակությունը հասանելի և փոխակերպող, մի նպատակ, որը ես հետապնդել եմ ծրագրավորման իմ վաղ օրերից ի վեր:

GSpeech-ը առաջարկում է անխափան ինտեգրացիաներ WordPress-ի, Shopify-ի, Wix-ի և այլոց հետ: Ո՞րն է եղել ձեր ռազմավարությունը՝ հարթակը plug-and-play դարձնելու համար տարբեր էկոհամակարգերի ստեղծողների և բիզնեսների համար:

GSpeech-ի plug-and-play ինտեգրացիաների մեր ռազմավարությունը WordPress-ի, Shopify-ի և Wix-ի նման հարթակների հետ կենտրոնացած էր պարզության, համատեղելիության և մասշտաբայնության վրա: Մենք մշակել ենք թեթև, մոդուլային պլագիններ և կոդի հատվածներ, որոնք անխափան ինտեգրվում են՝ պահանջելով նվազագույն կարգավորում՝ հաճախ ընդամենը մի քանի սեղմում: Սա նշանակում է, որ հազարավոր հոդվածներ և դինամիկ բովանդակության բլոկներ կարող են անմիջապես ստանալ ձայնային աջակցություն՝ առանց ձեռքով ջանքերի: Մենք առաջարկում ենք բարձր ճկուն, գեղեցիկ ձևավորված նվագարկիչներ, որոնք հարմարվում են տարբեր սարքերի, այդ թվում՝ բջջային հեռախոսների, պլանշետների և համակարգիչների: Մեր նվագարկիչները ոչ միայն կարգավորելի են, այլև օպտիմալացված են մատչելիության և օգտագործողի ներգրավվածության համար: WordPress-ի համար մենք GSpeech ամպային վահանակը ներդրել ենք անմիջապես կառավարման վահանակում՝ մեր պլագինի միջոցով, հեշտացնելով կառավարումը օգտատերերի համար: Մանրամասն փաստաթղթերը և ինտուիտիվ վահանակները ուղղորդում են ոչ տեխնիկական օգտատերերին տեղադրման և կարգավորման գործընթացում: Կանոնավոր փորձարկումները ապահովում են կայուն աշխատանք բազմազան էկոհամակարգերում՝ հնարավորություն տալով ստեղծողներին և բիզնեսներին հեշտությամբ ավելացնել արհեստական ​​բանականության վրա հիմնված տեքստից խոսք փոխակերպում:

Հետ նայելով 2012 թվականից մինչև այսօր անցած ճանապարհին, ո՞րն է եղել ձեզ համար անձամբ կամ մասնագիտորեն ամենամեծ հանգրվանը GSpeech-ի կառուցման գործում։

GSpeech-ի համար ամենամեծ նվաճումը 1 միլիարդ նիշ բարձրորակ արհեստական ​​ինտելեկտի աուդիոյի ստեղծումն էր, որը ցուցադրում էր մեր գլոբալ ազդեցությունը մատչելիության վրա: Նույնքան նշանակալից էին նաև այն արձագանքները, որոնք մենք ստացանք Humanity Union-ի նման կազմակերպություններից, որոնք գովաբանեցին GSpeech-ը իրենց սոցիալական պատասխանատվության հարթակը բարելավելու համար, և բլոգերի սեփականատերերից, որոնք այն անվանեցին «խաղի կանոնները փոխող» օգտատերերի ներգրավվածության համար: Ավելի քան 110 հինգաստղանի գնահատականներ այնպիսի հարթակներում, ինչպիսիք են՝ WordPress և AppSumo վերջին ամիսներին արտացոլում են այս աճող վստահությունը։

GSpeech-ը այժմ ակտիվորեն օգտագործվում է նաև Ուզբեկստանի Նամանգանի տարածաշրջանային վիճակագրական վարչություն — պետական ​​հաստատություն, որն ունի զգալի այցելություններ և ազգային մակարդակով տեսանելիություն։ Մեր տեխնոլոգիան հանրային մարմնի կողմից այդքան լայնորեն կիրառելը նշանակալի նվաճում էր և մեր լուծման նկատմամբ վստահության հզոր նշան։

Որպես քրիստոնյա և Հայկական եկեղեցում ծառայող, ես նաև փորձում եմ հնարավորության դեպքում աջակցել այլ հավատքի վրա հիմնված նախաձեռնություններին: Ես հաճախ անվճար առաջարկում եմ GSpeech-ը քրիստոնեական կայքերին՝ որպես միջոց՝ նրանց ուղերձն ավելի արդյունավետ տարածելու և Սուրբ Գիրքն ավելի մատչելի դարձնելու աուդիոյի միջոցով: Սա իմ փոքրիկ ներդրումն է ավելի մեծ բանի մեջ: Միևնույն ժամանակ, ես պատիվ եմ համարում աշխատել նվիրված ծառայությունների հետ, ինչպիսիք են՝ Լարը — Մեսիական ժողով և GSpeech-ի գնահատված հաճախորդ, որի առաքելությունն ու բովանդակությունը արտացոլում են Սուրբ Գրքի զորությունը գործողության մեջ։

Այս պահերը, երբ տեխնոլոգիան դառնում է հավատքի, փոխըմբռնման և ներառման կամուրջ, ինձ հիշեցնում են, թե ինչու ենք մենք սկզբում ստեղծել GSpeech-ը։

Ի՞նչ դեր եք տեսնում GSpeech-ի մեջ թվային մեդիայի ապագայում, մասնավորապես այն պատճառով, որ աուդիո բովանդակությունը և ձայնային ինտերֆեյսները դառնում են ավելի գերիշխող։

Ես պատկերացնում եմ GSpeech-ը որպես առաջատար թվային մեդիան ավելի մատչելի և գրավիչ դարձնելու գործում՝ ապահովելով արհեստական ​​բանականության միջոցով ձայնային մուտք դեպի համացանց: Մեր նպատակն է վերափոխել ամբողջ առցանց փորձը, որպեսզի կայքերը դառնան բնականաբար ձայնային ինտերակտիվ, ներառական և բազմալեզու՝ ըստ լռելյայնի: Միայն մեկ կոդի տողով կայքերի սեփականատերերը կարող են հազարավոր հոդվածներ վերածել ձայնային բովանդակության: Առաջ նայելով՝ մենք զարգացնում ենք GSpeech Studio-ն՝ դարձնելով այն հզոր և եզակի հարթակ աուդիո ստեղծման և խմբագրման համար, որը թույլ կտա օգտատերերին ստեղծել բազմաշերտ ձայնային բովանդակություն՝ ֆոնային երաժշտությամբ, էֆեկտներով և ճշգրիտ կարգաբերմամբ: Մենք ցանկանում ենք համացանցը դարձնել իսկապես լսելի, ինտուիտիվ և համընդհանուր հասանելի:

GSpeech-ը վերջերս գործարկվեց AppSumo-ում և արդեն իսկ արժանացել է գրեթե կատարյալ գնահատականի վաղ շրջանի օգտատերերի կողմից: Ի՞նչ է նշանակել ձեզ համար AppSumo համայնքի արձագանքը, և ինչպե՞ս եք պատրաստվում զարգացնել այս թափը առաջ շարժվելով:

AppSumo-ի թողարկումը GSpeech-ը ներկայացրեց միլիոնավոր մարդկանց, և դրա գրեթե կատարյալ գնահատականը աներևակայելիորեն հաստատող է: Օգտատերերը, ինչպիսիք են առցանց դասընթացներ անցկացնողները, գովաբանում են մեր ինտուիտիվ գործիքները և արագ արձագանքող աջակցությունը՝ կրկնելով Humanity Union-ի արձագանքը: Բլոգի սեփականատերը մեր ձայները անվանել է «իսկապես գրավիչ», իսկ թարգմանությունները՝ «տպավորիչ»: Նրանց դրական արձագանքը հաստատում է մեր արհեստական ​​բանականությամբ աշխատող տեքստից խոսք լուծման արժեքը և խթանում է իմ կիրքը նախագծի նկատմամբ: Թողարկման ընթացքում հաճախորդներին աջակցելը նաև նոր գաղափարներ առաջացրեց, մասնավորապես GSpeech Studio-ի համար, որը ոգեշնչվել էր օգտատերերի կողմից առաջադեմ աուդիո խմբագրման և արտահանման գործառույթների վերաբերյալ հարցումներից: Առաջ շարժվելով՝ ես պլանավորում եմ օգտագործել այս իմպուլսը՝ ակտիվորեն լսելով մեր համայնքին, ինտեգրելով նրանց արձագանքները և մշակելով նորարարական գործառույթներ՝ մատչելիությունն ու ներգրավվածությունը բարելավելու համար, ապահովելով, որ GSpeech-ը շարունակի զարգանալ որպես ստեղծագործողների և բիզնեսների համար փոխակերպող գործիք:

Վերջապես, ի՞նչ խորհուրդ կտաք երիտասարդ ծրագրավորողներին կամ ձեռնարկատերերին, ովքեր ցանկանում են ստեղծել մատչելի, արհեստական ​​բանականության վրա հիմնված գործիքներ այսօրվա արագ զարգացող տեխնոլոգիական աշխարհում։

Երիտասարդ ծրագրավորողներին և ձեռնարկատերերին իմ խորհուրդն է՝ նվիրվել ձեր աշխատանքին և բացահայտել իրական խնդիր, որտեղ կարող եք առաջարկել եզակի, խելացի լուծում։ Սկսեք փոքրից, կատարեք հաստատուն քայլեր առաջ և ուշադիր լսեք հաճախորդների կարծիքները. դրանք կուղղորդեն ձեր ուղին։ Վերաբերվեք ձեր օգտատերերին որպես վստահելի ընկերների, նվիրվեք ձեր ամբողջ ուժին և համբերատար եղեք։ Ընդունեք արհեստական ​​բանականության տեխնոլոգիաները որպես հզոր դաշնակիցներ. երբ դրանք իմաստուն կերպով օգտագործվում են, դրանք կընդլայնեն ազդեցիկ, մատչելի գործիքներ ստեղծելու ձեր կարողությունը։ Կառուցեք կրքով, համառությամբ և փոփոխություն մտցնելու նվիրվածությամբ, և դուք կստեղծեք իսկապես կարևոր լուծումներ։

Շնորհակալություն Անտուան ​​Տարդիֆ հարցազրույցի համար։ Ամբողջական հարցազրույցը կարող եք կարդալ այստեղ՝ միավորել.ai.