de.wedoany.com-Bericht: Das US-amerikanische Sprach-KI-Unternehmen Rime erweitert seine Systeme zur Sprachdatenerfassung, Modellentwicklung und Branchenauslieferung mit dem Schwerpunkt auf der Entwicklung von Low-Latency-Sprache-zu-Sprache-Modellen. Das Unternehmen hat in San Francisco, USA, ein eigenes Tonstudio eingerichtet, in dem Trainingsdaten durch die Aufnahme von echten Gesprächen zwischen Personen generiert werden, um die Abhängigkeit von öffentlich verfügbaren Audioquellen im Internet zu verringern. Die Sprachinteraktionsfähigkeiten werden dabei auf Szenarien wie Unternehmenskundenservice, medizinische Dienstleistungen, Luftfahrtgeschäfte und Finanztechnologie optimiert.
Rime wurde 2022 in den USA gegründet. Die Gründungsmitglieder verfügen über Erfahrungen aus der Forschung an der Stanford University, der Entwicklung des Amazon Alexa-Sprachsystems und dem Engineering-Bereich. Anders als bei der direkten Extraktion von Audiodaten aus dem Internet für das Modelltraining sammelt das Unternehmen in seinem Tonstudio Gesprächsdaten mit eindeutigen Sprechern, Kontexten und Ausspracheinformationen. Diese Daten werden dann für das Training von Sprachsynthese-, Aussprachesteuerungs- und Interaktionsmodellen verwendet.
Das eigene Tonstudiosystem ermöglicht ein zielgerichteteres Modelltraining. Unternehmenssprachsysteme müssen im praktischen Einsatz häufig Markennamen, Produktmodelle, Medikamentennamen und branchenspezifische Fachbegriffe verarbeiten. Allgemeine Sprachmodelle neigen dabei zu Betonungsfehlern, fehlenden Silben oder uneinheitlicher Aussprache. Rime verwendet eine phonembasierte Modellarchitektur, die Wörter in grundlegendere Ausspracheeinheiten zerlegt und die Ausspracheweise dann an die Nutzungsumgebungen verschiedener Unternehmen und Branchen anpasst.
Dieser technische Ansatz erfordert kein vollständiges Neutrainieren des Modells durch den Kunden. Unternehmen können ihrem bestehenden Sprachsystem Markenvokabular, Fachbegriffe und spezifische Aussprachen hinzufügen, sodass die KI-Sprache bei der Verarbeitung von Fachinhalten aus den Bereichen Medizin, Luftfahrt und Finanzen eine hohe Genauigkeit beibehält. Der Forschungsschwerpunkt hat sich von der reinen Erzeugung natürlicher Stimmen hin zur Lösung von Problemen der Aussprachekonsistenz und Sprachinteraktionsstabilität in realen Geschäftsprozessen verlagert.
Bisher verwendete Rime eine Multi-Modell-Pipeline bestehend aus Sprache-zu-Text, Textverarbeitung, einem großen Sprachmodell und Text-zu-Sprache. Nachdem ein Benutzer gesprochen hat, muss das System zuerst den Text erkennen, dann mit dem großen Sprachmodell eine Antwort generieren und schließlich den Text in Sprache umwandeln. Der sequenzielle Betrieb mehrerer Modelle kann leicht zu erhöhten Wartezeiten führen und dazu, dass Tonfall, Pausen und Gesprächsübergänge unnatürlich wirken.
Das Unternehmen verlagert seinen Fokus nun auf die Entwicklung von Sprache-zu-Sprache-Modellen, die Spracheingaben direkt verstehen und Sprachausgaben generieren, wodurch die Orchestrierungsschritte zwischen mehreren Modellen reduziert werden. Die neue Forschungsrichtung konzentriert sich auf die Lösung von Problemen wie Antwortlatenz, Sprecherwechsel in Mehrpersonengesprächen, Hintergrundgeräuschstörungen und Unterbrechungen durch den Benutzer, um den Kommunikationsrhythmus eines menschlichen Kundendienstmitarbeiters besser nachzuahmen.
Sprache-zu-Sprache-Modelle müssen zudem semantisches Verständnis, Sprachgenerierung und Echtzeitinteraktion in einem einheitlichen System integrieren. Das Modell muss nicht nur erkennen, was der Benutzer gesagt hat, sondern auch Sprechgeschwindigkeit, Pausenpositionen und ob die Unterhaltung beendet ist, um dann zu entscheiden, wann eine Antwort erfolgen soll. Durch die Reduzierung der Anzahl zwischengeschalteter Modelle wird der Betriebspfad des Systems kürzer, was auch die einheitliche Steuerung von Sprachstil, Emotion und Aussprache erleichtert.
Die Sprachmodelle von Rime werden bereits in den Bereichen Lebensmittelservice, Gesundheitswesen, Luftfahrt und Finanztechnologie eingesetzt. Zu den Kunden gehören die Mayo Clinic, Dialpad, Upstart und Asurion, alle mit Sitz in den USA. Die Anforderungen an das Sprachsystem variieren je nach Anwendung: Im medizinischen Bereich müssen Krankheits- und Medikamentennamen präzise verarbeitet werden, in der Luftfahrt müssen Flug- und Flughafeninformationen erkannt werden, und im Kundenservice liegt der Fokus eher auf Antwortgeschwindigkeit und Stabilität bei langen Gesprächen.
Das Unternehmen plant außerdem, seine Teams für Modellentwicklung, technische Implementierung und Kooperationsauslieferung zu erweitern, um die Fähigkeit zu stärken, Sprachmodelle aus der Forschungsumgebung in Unternehmenssysteme zu überführen. Rime hat kürzlich einen leitenden Wissenschaftler mit Erfahrung in Audioverständnis und Deep-Learning-Forschung eingestellt und wird in Zukunft die Prozesse der Datenerfassung, des Modelltrainings, der Systembereitstellung und der Kundenanpassung weiter verbessern.
Der Kern dieser Geschäftsanpassung besteht nicht einfach darin, die Anzahl der Sprachmodelle zu erhöhen, sondern ein vollständiges System aufzubauen, das von der Aufnahme menschlicher Sprache über die Verarbeitung von Phonemdaten und die Modellentwicklung bis hin zur Auslieferung an Unternehmen reicht. Die weiteren Fortschritte werden sich hauptsächlich in der Einführung von Sprache-zu-Sprache-Modellen, der Verringerung der Interaktionslatenz, der verbesserten Erkennungsfähigkeit in geräuschvollen Umgebungen und der Integration weiterer Branchensysteme zeigen.
