顔認識技術は一般的ですが、音声認証は簡単ではありません。 電話で話すときの音声認識、分析、およびノイズ フィルタリングのための人工知能 (AI) を開発したベトナムのテック企業がありました…そして、国内および国外の多くの場所で使用されています。

NamiTech 社長の Nguyen Thanh Lam 氏は次のように述べています。

– 15年以上勤めたFPTソフトウェアを退職しました。 難しい分野もありましたが、AI 技術の学習に投資することにしました。AI 技術は大きな可能性を秘めた技術だと考えているからです。 私が VinAI に参加した理由もここにあります。才能のある技術者のチームがここにいるからです。

AI を自動車製品、電話に適用して、2 つのことに気付きました。 1 つ目は、AI には非常に大きなアプリケーションの可能性があるということです。 第二に、当社の技術スタッフは非常に優れており、米国のシリコン バレーを含むどこにも負けません。 これが私がAIを始めた主な理由です。

声で顧客を識別する

※でもAIはいろいろな分野に応用されていますが、なぜ音声処理の分野で起業しようと思ったのですか？

物語は、VinAIで働いていたときの数学の問題から始まります。 すべての電話には、ノイズに対処するためのソフトウェアが必要です。 Vinsmart は、1 台の電話を製造するたびに、米国の企業である Qualcomm に 50 セント (10,000 VND 以上) を支払わなければなりません。

私たちはそれを自分たちで完全に行うことができることを発見しました.ディープラーニングでそれを行うと、信号処理の従来のスタイルよりもさらにうまくいく可能性があります. 年間数千万台を生産すると予想される電話の数を考えると、それは大きな金額になるでしょう。

そうするとき、音の方向性について考えれば考えるほど、より多くの可能性が見えてきます。結局のところ、音は、視覚に加えて、私たちがお互いに、そして世界とコミュニケーションをとるのに役立つ最も重要な情報源だからです。.

ノイズ処理ができれば、音声処理、声質改善、音声認識もできる……という話は続きます。

* では、企業は自社のソフトウェアを運用にどのように使用していますか?

– 当社の音声バイオメトリクス製品 (VoiceDNA) が、国内外の銀行や保険会社で、顧客サービス センターやモバイル バンキング アプリケーションを通じて取引中に顧客を識別するために使用されていることを非常に嬉しく思います。

このソフトウェアは、保険契約が多すぎる顧客などの異常な状況を検出するためにも使用されます。

ソフトウェアのみ クリスタルサウンド、さまざまな形でテクノロジーをユーザーに提供します。 通常のユーザーは、自分のコンピューターに CrystalSound ソフトウェアを手動でダウンロードしてインストールし、周囲のノイズをフィルター処理することができます。

法人顧客の場合、CrystalSound は従業員用にインストールされます。 また、CrystalSound ソフトウェアのライセンスを、ヘッドセット、コンピューター、ビデオ会議機器などの機器メーカーに提供しています。

※ではナミテックの製品にAIはどのように組み込まれているのでしょうか。

– 優れた AI 技術は、当社の主要な競争力の武器の 1 つです。 AI は、CrystalSound をデジタル信号処理技術よりも品質の点ではるかに優れたものにしますが、成功または失敗の要因は、この AI を Bluetooth ヘッドセットなどの小さなデバイス プロセッサで実行し、わずか数十日で高い処理速度を確保する方法です。 ミリ秒。

VoiceDNA を使用すると、競合他社よりも 3 倍速く音声を録音して顧客を識別できますが、それを会社の既存の標準に統合するにはどうすればよいでしょうか? これらは、優れた AI アルゴリズムを作成するのと同じくらい難しい問題です。

プライベート ニッチ マーケットの入り口

* 実際、サウンド フィルタリングとテキスト読み上げソフトウェアはすでに市場に出回っており、Google などの技術大手もこのツールを使用しています。 ナミテックの違いは何ですか？

– 私たちの違いは、適切な焦点を当て、市場のニーズに迅速に対応できるようにすることだと思います。

たとえば、CrystalSound フィルタリング ソフトウェアでは、最初は音声以外の環境ノイズのみを処理しました。 しかし、お客様のご利用状況を詳しくお聞きしたところ、故意、無意識に関わらず、人の話し声も不快な音であることがわかりました。

私たちはすぐに声紋認証技術を統合し、ユーザーが自分の声を録音できるようにしました。その後、CrystalSound が周囲の人の声を消去し、自分のユーザーの声だけを残します。

音声認識および会話分析製品に関して言えば、ベトナム語および日本語のアプリケーションに対する Google の弱点、特に多くの話者との会話や環境で行われる場合に見られます.現場は非常に騒がしく、録音品質は限られています. 、これらは最も実用的な適用条件です。

NamiSense を実用化するために、私たちは独立していると思われる多くの技術を組み合わせますが、互いに補完的な効果をもたらします。 製品は高度にカスタマイズ可能で、顧客は用途に合わせて特定の要件を定義できます。