斯坦福大學生成立初創公司Sanas打造實時口音轉換AI解決口音問題

In 2020, Stanford students Shawn Zhang, Maxim Serebryakov, and Andres Perez Soderi [left to right] founded the AI-powered accent-translation company Sanas.? ? ?SANAS

斯坦福大學以其國際化的多樣性而自豪，表示其現今的大學生來自于70個國家。其中，有這樣一個來自中國的計算機科學專業學生、一個來自俄羅斯的以人工智能為重點的管理科學與工程（MSE）專業學生、和來自委內瑞拉的以商業為導向的MSE專業的學生共同打造了這樣一個初創公司。

隨著疫情的開爆發，開始了后面的“故事”。

Andres Perez Soderi回憶道：“由于疫情，斯坦福的一切都變成了線上（他是來自委內瑞拉的三人成員之一）。我們分散在灣區、舊金山、以及帕洛阿爾托，我們在網上保持聯系。”但與此同時，他們產生了一個新想法 —— 這是通過與另一位朋友的對話而受到啟發的。這位朋友是計算機科學專業的學生，他回到了位于危地馬拉的家，在那里他在一家呼叫中心找到了一份工作，負責技術支持，以支持他的家庭生活。

Soderi表示：“當他得到這份工作時，我們告訴他，他將成為最好的技術支持人員，他是我們見過的最聰明的人，臉上總是掛著微笑。”但可惜的是，這項工作并沒有持續多久。他的客戶滿意度太低，因為打電話的人很難聽懂他的口音，會因此大發雷霆。

Soderi說：“于是我們有了一個想法，我們決定幫助世界理解，并且希望被理解。”

“我們圍繞過去人們所做的事情做了很多研究。人們對deep fake進行了語音轉換，這項技術相當先進。但在口音翻譯方面做得很少。所以，比如說，如果我使用現有的系統讓我聽起來像蝙蝠俠，我會聽起來更像一個帶中國口音的蝙蝠俠，”Shawn Zhang說 —— 這位成員來自中國。

“我們知道減少口音療法，并被教導模仿別人說話的方式以便與他們交流。但以我們的經驗中可以清楚了解，強迫自己使用不同的口音是不舒服的。我上了一所英國高中，試圖強迫自己使用英國口音 —— 這是一種難以消化的經歷。我們認為如果我們允許軟件翻譯口音，那么就可以幫助人們更自然地說話了，”Soderi說。

“我們的第一個方法很幼稚，”Zhang說，“我們建立了一個系統，將語音轉換為文本，然后再將文本轉換為語音。”這對于他們的最終目標——實時對話來說并不是特別有用。因此，他們開始考慮如何構造數據，用于訓練神經網絡，將口音直接轉換為語音輸出。他們向斯坦福大學的教授和業內專家尋求建議。

同時，他們提交了文件，成立了一家名為Sanas的公司。

這個名字來自于對隨機音節的搜索，尋找一些聽起來不錯并且可以使用的東西。之所以是Sanas的原因是因為這是一個回文，它原來是指一些古拉丁語形式的耳語或聲音。他們將首席技術官的頭銜授予Zhang，首席財務官授予Soderi，首席執行官授予Maxim Serebryakov。

這一切都發生在2020年上半年，事情繼續快速發展。Sanas現在有14名全職工程人員，包括創始人，還有三名兼職開發人員，另外還有兩名在業務方面工作的員工。現在，所有這些都可以遠程工作，并在國際上推廣。該公司在五月底完成了一輪550萬美元的種子融資，那時候距離Zhang的21歲生日還有幾個月，總投資達到了約600萬美元。

種子輪融資期間的領導者Human Capital公司總裁兼聯合創始人Baris Akis當時表示：“作為一名土耳其移民，我一直認為消除口音障礙是建立一個更加公平和繁榮的世界的關鍵下一步。”

如今，Sanas擁有一種算法，可以將英語轉換成美國、澳大利亞、英國、菲律賓和西班牙口音。他們利用神經網絡開發了它，并用專業配音演員錄制的大部分錄音進行訓練。

Zhang說，“需要做的并不僅僅是音頻信號處理，改變音高和音調。你必須改變語音。因此，我們確實需要平行數據集，由讀者使用相同的源材料創建，這樣神經網絡就可以學習從一個映射到另一個，檢查兩者以學習如何轉換發音。”

該算法在本地CPU上運行（不在云中），延遲150毫秒，語音質量與電話音頻相當，與Zoom、Skype和WhatsApp等通信應用程序協同工作。典型的縮放延遲約為50毫秒，使總延遲約為200毫秒。Soderi指出，一般來說，在音頻通信中，低于300到350毫秒的任何東西都是無法察覺的，所以用戶不會注意到延遲。該算法在CPU使用率方面是有效的。

但與此同時，Zhang承認，確實還有很大的改進空間，“我們正在努力使聲音更清晰、更自然、更悅耳；這將是一個持續的過程。”

該團隊計劃在英語中添加更多的口音，但也會加入更多其他語言的口音，包括西班牙語和法語。

他們的第一批客戶將是外包公司，這些公司被雇傭來提供客戶服務和其他電話支持功能。目前有七家這樣的公司正在試驗這一系統。

“但這只是我們的第一個用例，”Zhang說，“因為這是一個可測量和受控的環境。我們不認為自己是一家呼叫中心公司，我們希望進入醫療、娛樂、教育和其他領域。我們希望將其開發為一種工具，幫助人們進行人與人之間的互動，同時不損害他們的文化身份。”

往期推薦