หัวข้อ: Smallest.ai ระดมทุน 13 ล้านดอลลาร์ สร้าง AI เสียงความเร็วสูงที่ฟังดูเป็นมนุษย์อย่างแท้จริง

ในขณะที่ AI agents (ตัวแทนอัจฉริยะ) มีความสามารถมากขึ้นในการแก้ปัญหาการบริการลูกค้า แต่คนส่วนใหญ่ยังคงแยกแยะได้ทันทีว่ากำลังคุยกับเครื่องจักรหรือมนุษย์ Smallest.ai สตาร์ทอัปที่ก่อตั้งในปลายปี 2024 เชื่อว่าก้าวถัดไปของ voice agents (ตัวแทนเสียง) จะไม่ได้มาจากการทำให้ large language models (โมเดลภาษาขนาดใหญ่) เร็วขึ้น แต่มาจากการใช้โมเดลขนาดเล็กที่เชี่ยวชาญเฉพาะสำหรับการสนทนาของมนุษย์ พูดง่ายๆ คือบริษัทต้องการทำให้การพูดคุยกับ AI agent แยกไม่ออกจากการพูดคุยกับมนุษย์จริงๆ เพื่อให้บรรลุเป้าหมายนี้ พวกเขากำลังพัฒนา small voice model (โมเดลเสียงขนาดเล็ก) ที่ออกแบบมาเพื่อเลียนแบบวิธีที่มนุษย์ประมวลผลข้อมูล โดยการฟัง คิด และพูดไปพร้อมๆ กัน “ในขณะที่ฉันพูดกับคุณ คุณกำลังคิดอยู่แล้ว และคุณอาจขัดจังหวะฉันถ้าฉันพูดนานเกินไป” Sudarshan Kamath (ภาพซ้าย) ผู้ก่อตั้งและ CEO ของ Smallest.ai กล่าวกับ TechCrunch พร้อมเสริมว่านี่คือวิธีที่โมเดลของสตาร์ทอัปถูกออกแบบให้ทำงาน เพื่อสนับสนุนภารกิจนี้ Smallest.ai ระดมทุนได้ 13 ล้านดอลลาร์ในรอบ Series A นำโดย Seligman Ventures โดยมี Sierra Ventures และ 3one4 Capital ร่วมลงทุน เงินทุนใหม่นี้ทำให้ยอดรวมการระดมทุนของสตาร์ทอัปเกิน 21 ล้านดอลลาร์ “วิธีที่ LLM ทำงานคือคุณให้ prompt (คำสั่ง) ทั้งหมด แล้วมันก็เริ่มคิด” Kamath กล่าว แม้ความหน่วงนี้จะยอมรับได้ในการแชทข้อความ แต่ในการสนทนาด้วยเสียง แม้แต่การหยุดชั่วคราวสั้นๆ ก็รู้สึกไม่เป็นธรรมชาติ “ถ้าคุณคิดถึงวิธีที่เราพูดคุยกัน ฉันไม่ได้ให้เสียงคลิปยาวๆ กับคุณ แล้วคุณก็เริ่มคิด” โมเดลของสตาร์ทอัปทำหน้าที่เป็นชั้นประมวลผลแบบเรียลไทม์ที่ช่วยให้การสนทนากับลูกค้าเป็นธรรมชาติในหัวข้อเฉพาะ โดยแทบไม่มีดีเลย์ในการตอบสนอง แต่ถ้าโมเดลเจอหัวข้อที่อยู่นอกฐานความรู้ที่จำกัด Smallest.ai จะส่งต่อคำถามไปยัง foundational model (โมเดลพื้นฐาน) ขนาดใหญ่ โดยให้ลูกค้ารอสายชั่วครู่เพื่อ ‘ค้นคว้า’ ปัญหา เหมือนกับที่มนุษย์จริงๆ ทำ Kamath เชื่อว่าในไม่ช้า AI agents ทั้งหมดจะพึ่งพาโมเดลสองแบบ: โมเดลเสียงขนาดเล็กสำหรับการโต้ตอบแบบเรียลไทม์ และ LLM ‘ออฟไลน์’ ที่ถูกเรียกใช้เมื่อจำเป็นเพื่อแก้ปัญหาที่ซับซ้อน ต่างจากโมเดลพื้นฐานขนาดใหญ่ Smallest.ai มุ่งเน้นเฉพาะความละเอียดอ่อนที่เกี่ยวกับเสียง เช่น การจัดการสำเนียงที่หลากหลาย รองรับหลายสิบภาษา และทำงานในสภาพแวดล้อมที่มีเสียงดัง ลูกค้าปัจจุบันของสตาร์ทอัป ได้แก่ บริษัทในวงการเสียง เช่น RingCentral และ Truecaller Kamath กล่าวว่าบริษัทบริการลูกค้าใดๆ รวมถึงบริษัทใหม่ๆ อย่าง Sierra และ Decagon เป็นลูกค้าที่มีศักยภาพ เมื่อถูกถามว่าทำไมบริษัทบริการลูกค้าที่มีเงินทุนหนาไม่สร้างโมเดลเสียงของตัวเอง Kamath ตอบว่า สำหรับสตาร์ทอัปด้านบริการลูกค้า การ ‘เก่งเรื่องเสียงมากเกินไป’ เป็นการเบี่ยงเบนความสนใจจากธุรกิจหลักของพวกเขา Smallest.ai แข่งขันกับผู้นำด้าน voice AI อย่าง ElevenLabs รวมถึง Cartesia และผู้เล่นในภูมิภาคอย่าง Sarvam ที่เน้นภาษาท้องถิ่น ในขณะที่คู่แข่งบางรายนำ voice AI ไปใช้ในกรณีการใช้งาน เช่น การพากย์เสียงและพอดแคสต์ Smallest.ai มุ่งเน้นเฉพาะการปรับปรุงการสนทนาด้วยเสียงแบบเรียลไทม์

แหล่งที่มา: techcrunch

คำศัพท์เทคนิคที่น่าสนใจ

• AI agents – ตัวแทนอัจฉริยะ คือโปรแกรมคอมพิวเตอร์ที่สามารถทำงานหรือตัดสินใจได้เองโดยใช้ปัญญาประดิษฐ์ เช่น การตอบคำถามลูกค้า
• voice agents – ตัวแทนเสียง คือ AI ที่สามารถสนทนาด้วยเสียงกับผู้ใช้ได้ เช่น ผู้ช่วยเสียงในคอลเซ็นเตอร์
• large language models (LLM) – โมเดลภาษาขนาดใหญ่ คือ AI ที่ฝึกฝนจากข้อมูลจำนวนมากเพื่อเข้าใจและสร้างข้อความได้เหมือนมนุษย์ เช่น GPT
• small voice model – โมเดลเสียงขนาดเล็ก คือ AI ที่ออกแบบมาเฉพาะสำหรับการประมวลผลเสียงและการสนทนา โดยใช้ทรัพยากรน้อยกว่าโมเดลใหญ่
• prompt – คำสั่ง คือข้อความที่ผู้ใช้ป้อนให้ AI เพื่อให้ AI ตอบสนองตามที่ต้องการ
• real-time processing – การประมวลผลแบบเรียลไทม์ คือการประมวลผลข้อมูลทันทีที่เกิดขึ้น โดยไม่มีความล่าช้า
• latency – ความหน่วงหรือดีเลย์ คือเวลาที่ใช้ในการตอบสนอง ยิ่งน้อยยิ่งดีสำหรับการสนทนาที่เป็นธรรมชาติ
• foundational model – โมเดลพื้นฐาน คือโมเดล AI ขนาดใหญ่ที่ใช้เป็นฐานสำหรับงานหลายประเภท เช่น GPT หรือ BERT
• voice AI – ปัญญาประดิษฐ์ด้านเสียง คือเทคโนโลยีที่ทำให้คอมพิวเตอร์เข้าใจและสร้างเสียงพูดได้ เช่น การรู้จำเสียงหรือการสังเคราะห์เสียง
• Series A – รอบการระดมทุนแรกๆ จากนักลงทุนเพื่อขยายธุรกิจ หลังจากเริ่มต้นบริษัท