Phonic: Neue KI-Stimme verbessert Zuverlässigkeit und Effizienz

BOSTON / MÜNCHEN (IT BOLTWISE) – Die Entwicklung von Künstlicher Intelligenz im Bereich der Sprachsynthese hat in den letzten Jahren erhebliche Fortschritte gemacht. Dennoch gibt es immer noch Bedenken hinsichtlich der Zuverlässigkeit und Effizienz dieser Technologien, insbesondere wenn es um den Einsatz in großem Maßstab geht.

Die Qualität von KI-generierten Stimmen hat sich in den letzten Jahren stark verbessert und ist mittlerweile gut genug für Anwendungen wie Hörbücher, Podcasts und grundlegenden Kundensupport. Dennoch zögern viele Unternehmen, diese Technologie flächendeckend einzusetzen, da sie die Zuverlässigkeit noch nicht als ausreichend betrachten.

Um diese Herausforderungen zu adressieren, haben die beiden MIT-Absolventen Moin Nadeem und Nikhil Murthy Phonic gegründet. Ihr Unternehmen bietet einen umfassenden Sprach-Stack, der darauf abzielt, die Zuverlässigkeit synthetischer Stimmen zu erhöhen und gleichzeitig die Latenz zu verringern.

Nadeem und Murthy, die sich während ihres Studiums am MIT kennengelernt haben, sahen eine Marktlücke für vollständige Sprachtechnologielösungen. Laut Murthy ist die Sprach-KI derzeit an einem Punkt, an dem verschiedene Komponenten wie automatische Spracherkennung und Text-zu-Sprache zusammengeführt werden müssen, um Intelligenz zu integrieren. Doch viele Kunden berichten von einem Mangel an Lösungen, die in großem Maßstab zuverlässig sind.

Nadeem, der zuvor bei MosaicML arbeitete, einem Unternehmen, das 2023 von Databricks für 1,3 Milliarden US-Dollar übernommen wurde, erklärt, dass viele Unternehmen im Bereich der Sprach-KI Workflows entwickeln, um separate KI-Modelle zusammenzufügen. Phonic verfolgt einen anderen Ansatz, indem es seine Modelle intern von Anfang bis Ende trainiert.

Murthy betont, dass das Eigentum an den Modellen es Phonic ermöglicht, tiefgreifende Zuverlässigkeitskomponenten direkt in die Modelle zu integrieren. Ohne diese Kontrolle fügt man nur disparate Teile zusammen, die nicht nahtlos passen. Zudem ermöglicht dieser Ansatz eine kosteneffiziente Bereitstellung und Ausführung der Modelle.

Phonic trainiert seine Modelle auf einer Vielzahl von Aufnahmen, einschließlich solcher mit Akzenten und gedämpfter Sprache, um eine hohe Robustheit zu gewährleisten. Derzeit arbeitet das Unternehmen mit einer begrenzten Anzahl von Partnern, darunter Unternehmen aus den Bereichen Versicherung und Gesundheitswesen, plant jedoch, sein Produkt in wenigen Monaten breiter auf den Markt zu bringen.

Das Unternehmen hat in einer Seed-Runde 4 Millionen US-Dollar gesammelt, angeführt von Lux Capital mit Beteiligung von Replit-Mitbegründer Amjad Masad, Hugging Face-Mitbegründer Clem Delangue, Applied Intuition-Mitbegründer Qasar Younis und Modal Labs-Gründer Erik Bernhardsson. Grace Isford, Partnerin bei Lux Capital, erklärte, dass der hauseigene Ansatz von Phonic zur Modellschulung für die Investmentfirma besonders attraktiv war.

Isford fügte hinzu, dass sowohl Moin als auch Nikhil als herausragende Technologen gelten, die bereits während ihrer Zeit am MIT einen Maschinenlernclub gegründet haben. Ihre Kombination aus Diffusions- und proprietären Modellen im Bereich der Sprach-KI sei neuartig und vielversprechend.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!