Transcription
我们一直在尝试创造出人类的声音，这简直可以追溯到 18 世纪。然后在 20 世纪初，我们有了第一台数字合成器。>> 你是说 >> 它没有跨越那个真正听起来像人类并且真正让你有所感受的界限。然后它转移到了 Siri，它有点来回的互动。听起来更真实，但同样，它没有跨越那个真正听起来像人类并且真正让你有所感受的界限。>> Marty，很高兴你能来到 Anderson Haritz 的总部。>> 不，非常感谢你们的邀请。能来到这里并一起谈论我们所做的一些工作，真是太不可思议了。你说声音即将成为人类与计算机交互的下一个基本界面，就像触摸屏和键盘一样。请帮助我们想象一下它是什么样的。>> 很多东西都是以屏幕为先的。大多数人一天的大部分时间都会有笔记本电脑、手机在他们面前。我认为很多东西会转移到后台，在那里你将能够更加专注。当我设想未来在教室里学习时，你戴着耳机，可以有最聪明的物理学家、数学家、历史学家帮助你学习这门学科。将会有一个有趣的转变，声音将成为技术的重要组成部分，而今天当你去其他国家、其他文化时，除非你懂语言，否则你无法完全沉浸在文化中。有了声音和技术，这突然就会成为可能，你可以说世界上任何一种语言，并完全理解，不仅是所说的内容，还有它是如何说的，感觉更亲近，这将是一个令人难以置信的未来，真正的语言障碍，以及文化障碍，或者我们从未学过的事物，都将成为可能。>> 让我们从头开始。你和 Peter 在波兰长大。请告诉我们激发 11 Labs 想法的经历。>> 在波兰。如果你看一部外国电影，所有的声音，无论是男声还是女声，都是由一个单一的角色配音的。所以，一个声音说所有的台词。>> 他们应该让那一天 >> 什么？>> 嗯，现在是八点，这不是一个好日子。>> 所有情感，所有语调都消失了。然后回到 2021 年，我们意识到这种情况仍然在发生。K 在 Google，我在 Palanteer。我们会在周末一起探索不同的项目，然后我们邀请了第一批用户，并开始更深入地迭代，然后我们开始得到一些关于哪些用例会真正引起共鸣的良好信号。所以当我们在一月初推出时，我们已经有几千人排队了，我们知道他们非常想使用这个产品，但当然，这几千人变成了几十万人，这可能比我们最初预期的数量级要高得多。推出语音设计 V3。推出 11 Labs 图像和视频。>> 自豪地推出 Studio 3.0。>> 产品的指导原则是什么？>> 它一直是我们将研究成果转化为价值的结合，然后在此基础上构建产品。二，我们认为哪里存在真正的问题。有些公司拥有研究，有些公司拥有产品，而我们试图兼而有之，我认为我们做到了，这很棒，因为产品可以直接与研究人员沟通，提供他们所需的信息，研究人员可以立即进行迭代，他们也可以直接在产品上测试他们的模型，通过这种方式，你知道，这就像两者都在加速。>> 谈到团队，你们从两个人左右的早期阶段，到我记得在 A 轮融资时有七个人，然后进行了发布，一年后迅速发展到几十人。你们是如何着手建立团队的？你们在招聘时看重哪些品质？>> 我们尤其是在早期，从非常非传统的背景中招聘。>> 我本科是天体物理学，硕士是应用物理学。>> 是的。我第一次见到 Mattie 是在我们 21 岁时一起参加黑客马拉松。>> 我当时在白宫为拜登总统工作，一位 11 Labs 的投资者告诉我，我应该尽我所能去那里工作。我一直很有野心，但我大部分的野心都投入到了电子游戏中。我玩了大约 12,000 小时的 Dota 之类的东西。我实际上在欧洲排行榜上排在 250 名左右。>> 我们尤其是在早期，试图招聘那些能够证明卓越的人，他们会去做一些事情，这可能是一个开源项目，也可能是工作之外的事情。>> 是的，我当时正在读硕士学位，我并没有经常去上大学。我正在开发这个文本转语音项目，而且就像 Peter 一样，他通过吉他引导了我。>> 当我完成论文时，我在线上发布了一个音乐生成模型的样本，P 看到这个样本并联系了我。所以当我第一次加入时，我们有一个 11 张桌子的房间。现在我们在 11 个城市设有办事处，拥有 300 多名员工。我们每六个月翻一番。但由于我们是远程优先的，并且我们以高自主性的小团队工作，你实际上会忘记公司有多大。我们想招聘世界上最好的人，我们认为世界上没有多少研究人员能达到顶尖水平，尤其是在语音领域，可能只有 50 到 100 人。所以我们想在哪里都能招聘到他们。>> 正如你所知，有一种非常强烈的文化痴迷于面对面。你如何对比这两种不同的设置？>> 当我们开始时，我们的愿望是非常全球化的，无论是在我们想要创造的技术方面，还是在可用性方面。我们希望它能跨越所有语言，跨越所有地区。>> 11 Labs 在我加入时就有一种文化，我认为这也是吸引我的地方。我理解 Matty 和 Peter 对他们想要建立的公司以及他们是什么样的人的愿景，这基本上反映在文化中。>> Matty 和 Peter 是童年最好的朋友。他们非常了解彼此。他们都是出色的运营者，而且他们非常值得信赖。老实说，让我们对投资这家公司感到兴奋的是与创始人 Maddie 和 Podor 的交谈。他们对未来世界的样子有一个非常独特的愿景，很多人还没有看到。>> Matty 和 Peter 在某种程度上就像阴阳。Peter 非常专注于研究。他是那个领域的绝对天才。>> 和他一起工作非常好，因为他可以非常深入地进行技术探讨。我知道的第二聪明的人比他聪明得多。让我们这样说吧。这有点像好警察坏警察。也许 Matthew 是好警察，Peter 是坏警察。嗯，我们将从感谢你的到来开始。你很难见到。那么，你现在在哪里？>> 我现在在迪拜。>> 随着团队越来越大、越来越远程，你的角色是如何演变的？是的，你肯定不知道所有的工程师，这确实很遗憾，在某个时候你就是不会认识公司里的所有这些人。Matthew 在之前的线下聚会时就已经认识所有人了，在之前的线下聚会时，当有 100 人的时候，他已经失败了。如果你有优秀的人，经营公司所需的努力就很少，因为你可以信任这些创始人。人们真正承担责任并关心公司，因为你喜欢在这里工作，你喜欢这个产品。当产品是出于爱而构建时，用户就能看到这一点。>> 每个人都有很高的自主性。他们的官僚主义很低，层级结构很模糊，他们正在做任何需要做的事情来为客户带来改变，快速发货。我们取消了所有的头衔，这是一种很好的方式，最初可以筛选掉那些非常没有自尊心的人。所以如果你进来，是的，我想成为某某部门的副总裁，你不会成为副总裁。所以这实际上会把那些人排除在外。但我认为这是一件好事。没有隐性偏见，因为没有明确的层级结构，你可以提出问题，寻求帮助，给别人建议，或者提出想法。获得一个训练集群的访问权限，并训练一个你有想法的模型。>> 我们在引入任何人之前，都会进行严格的筛选，以确保文化契合。我认为这对于能够如此快速地扩展并仍然保持文化至关重要。事实上，当我第一次公开谈论这件事时，我们推出了取消头衔的想法，我的一位前同事联系了我，她说：“我听说你们取消了头衔。我喜欢这个想法。你们有什么职位？我想加入。”她现在负责招聘，取得了巨大的成功。>> 目前，我们有专门的音频、音效和音乐模型。我认为声音的未来就像拥有一个可以生成任何类型音频的模型。你可以想象看到一些用声音生成音乐，或者唱歌，然后将歌声变成音效。我们为自己设定的新挑战是，我们能否成为第一个跨越这一“语音图灵测试”的公司。如何拥有一个真正听起来像人类的 AI，你可以与之进行来回互动，但它超级聪明，超级有同情心？我认为总有一天，我们与机器的大部分交流可能会通过音频进行，因为音频交流速度更快，而且信息更丰富。现在有些东西是机器或 LLM 无法捕捉到的。如果你用文本训练一个模型，你基本上是在使用人类创建的文本单元（token），而如果你训练一个通用的音频生成模型，你是在训练原始音频。如果你能创建一个在音频方面很聪明的模型，你可以想象你可以创建一个在任何原始数据领域都很聪明的模型。我认为这是最有趣的事情之一。声音是唯一能让你产生情感的 AI 模式。所以当你拥有文本时，是的，你可以写一首诗或一个故事，但它不会给你带来同样的情感体验。而当你听到一个声音时，无论是 ASMR 的耳语声，还是深沉的电影般的嗓音，它都能真正地带你进入情境，让你感受到生命。>> 我喜欢用这个问题结束我们的谈话。是什么驱动着你？看到人们的反应绝对是最好的时刻之一。但我感觉我处于一个非常幸运的位置，你知道我可以和我最好的朋友一起经营一家公司。但现在感觉我们拥有这个令人难以置信的团队，介于运动队和家庭之间，每个人都拥有相同的热情和愿景。但我想现在尤其如此，因为你很少有机会成为变革之声或技术之声，并处于前沿，并定义声音将如何成为我们所有人之间的界面。这是一个如此独特的机会，创造一个我们很幸运也很高兴能够参与其中的事物。