خلاصه مقاله
با پیشرفت‌های هوش مصنوعی در تشخیص گفتار، بازار این فناوری رشد چشمگیری داشته و تا سال ۲۰۲۵ به حجم حدود ۲۶٫۸ میلیارد دلار می‌رسد. شرکت استارتاپی AssemblyAI با ارائه APIهای پیشرفته، جایگاه مهمی در این حوزه پیدا کرده است. این شرکت توسط دیلان فاکس در سال ۲۰۱۷ تأسیس شد و با حمایت نهادهای بزرگی مثل Y Combinator و NVIDIA، خدمات تبدیل گفتار به متن با دقت بالا را برای شرکت‌های بزرگی مانند NBC و Wall Street Journal فراهم کرده است. محصولات این شرکت نه تنها گفتار را به متن تبدیل می‌کنند، بلکه می‌توانند محتوای نفرت‌آمیز را شناسایی کنند، خلاصه تولید کنند و جستجو در محتوای صوتی و تصویری را آسان سازند. این فناوری با استفاده از مدلهای یادگیری عمیق و رویکردهای پیشرفته مشابه OpenAI، دقتی نزدیک به دقت انسانی دارد و برای توسعه‌دهندگان ساده و قابل دسترس است.
رشد بازار تشخیص گفتار با هوش مصنوعی
فناوری تشخیص گفتار با کمک هوش مصنوعی در سال‌های اخیر رشد بسیار سریعی داشته است. این رشد به دلیل افزایش دقت، سرعت و کیفیت در تبدیل صدا به متن رخ داده است. پیش‌بینی می‌شود که بازار جهانی این فناوری تا سال ۲۰۲۵ به حجم ۲۶٫۸ میلیارد دلار برسد. این رقم نشان از تقاضای بالای شرکت‌ها برای استفاده از این ابزارها در حوزه‌های مختلف دارد.
شرکت AssemblyAI چیست؟
AssemblyAI یک شرکت استارتاپی است که در سانفرانسیسکو قرار دارد و APIهایی برای تبدیل صحبت‌ها به متن ارائه می‌دهد. این شرکت می‌تواند محتوای صوتی و ویدیویی از جمله:
- تماس‌های تلفنی
- جلسات آنلاین
- پادکست‌ها
- مصاحبه‌های رسانه‌ای
را به صورت دقیق و خودکار به متن تبدیل کند. هدف اصلی این شرکت، کمک به توسعه‌دهندگان و شرکت‌ها برای دسترسی آسان به اطلاعات صوتی است.
تاریخچه تأسیس و حمایت‌های مالی
این شرکت در سال ۲۰۱۷ توسط دیلان فاکس تأسیس شد و از حمایت‌های مهمی از سوی:
- Y Combinator
- NVIDIA
برخوردار شده است. این حمایت‌ها به رشد سریع شرکت و توسعه مدلهای پیشرفته هوش مصنوعی کمک کرده است.
دیلان فاکس: از اقتصاد تا هوش مصنوعی
دیلان فاکس ابتدا در رشته مدیریت و اقتصاد تحصیل کرد، اما به دنیای فناوری علاقه پیدا کرد و به صورت خودآموز برنامه‌نویسی و سپس یادگیری ماشین را فراگرفت. او در شرکت بزرگ Cisco روی شبکه‌های عصبی کار کرد. همین تجربه، بذر ایده AssemblyAI را در او جا انداخت.
انگیزه‌های ایجاد AssemblyAI
دیلان متوجه شد که فناوری‌های موجود برای تشخیص گفتار در آن زمان دقت و سادگی کافی نداشتند. شرکت‌ها برای دریافت نتایج دقیق، به کار انسانی نیاز داشتند. او تحت تأثیر شرکت Twilio قرار گرفت که با ارائه APIهای ساده و قدرتمند، دسترسی به فناوری‌های ارتباطی را آسان کرده بود.
هدف دیلان این بود که فناوری‌ای بسازد که:
- دقت بسیار بالایی داشته باشد
- برای توسعه‌دهندگان آسان باشد
- نزدیک به عملکرد انسان باشد
کاربردهای واقعی و مشتریان بزرگ
خدمات AssemblyAI توسط شرکت‌های معروف و بزرگی استفاده می‌شود. در زیر برخی از این شرکت‌ها و نحوه استفاده آن‌ها آورده شده است:
| شرکت | کاربرد |
|---|---|
| CallRail | تحلیل تماس‌های مشتریان و درک نیازهای آن‌ها |
| NBC | تبدیل مصاحبه‌ها به متن و ایجاد زیرنویس |
| Wall Street Journal | دسترسی سریع به محتوای صوتی و ویرایش بهتر |
ویژگی‌های منحصربه‌فرد فناوری AssemblyAI
این شرکت تنها محدود به تبدیل گفتار به متن نیست، بلکه خدمات هوشمند دیگری نیز ارائه می‌دهد:
تشخیص محتوای حساس
سیستم آن می‌تواند محتوای نفرت‌آمیز، توهین یا موارد حساس را شناسایی کند. این قابلیت بازبینی دستی محتوا را کاهش می‌دهد و برای پلتفرم‌های محتوایی بسیار مفید است.
خلاصه‌سازی خودکار
می‌تواند جلسات طولانی یا پادکست‌های ساعتی را به صورت خلاصه و مفید ارائه دهد، بدون نیاز به گوش دادن کامل به فایل صوتی.
جستجو در محتوای صوتی و ویدیویی
با تبدیل متنی محتوا، امکان جستجوی کلمات کلیدی در فایل‌های صوتی فراهم می‌شود — چیزی شبیه جستجو در متن نوشتاری.
تکنولوژی پیشرفته و تیم متخصص
تیم AssemblyAI از متخصصان حوزه یادگیری عمیق تشکیل شده است. آن‌ها از مدلهای بزرگ و پیچیده هوش مصنوعی استفاده می‌کنند که:
- دقت بالاتری نسبت به سیستم‌های قدیمی دارند
- در شرایط نویز و گویش‌های مختلف عملکرد بهتری نشان می‌دهند
- مشابه پروژه‌های پیشرفته مثل OpenAI ساخته شده‌اند
متراژ مالی و قیمت‌گذاری خدمات
قیمت‌گذاری AssemblyAI بر اساس استفاده است. به طور مثال:
- هر ساعت تبدیل صوت: حدود ۹ دلار
- برای حجم بالا: تخفیف و قیمت ویژه ارائه می‌شود
این سیستم قیمت‌گذاری انعطاف‌پذیر، استفاده آن را برای استارتاپ‌ها و شرکت‌های بزرگ مقرون‌به‌صرفه کرده است.
آینده شرکت و بازار
با افزایش حجم داده‌های صوتی و ویدیویی در دنیا، نیاز به ابزارهای تبدیل و تحلیل این داده‌ها بیشتر از قبل احساس می‌شود. AssemblyAI در حال حاضر دارای ۲۵ کارمند است و قصد دارد در چند ماه آینده این تعداد را دو برابر کند. فاکس معتقد است که تا سال ۲۰۲۲، فناوری آن‌ها به سطح دقت انسان نزدیک شود — حدی که کاربران دیگر نتوانند بین خروجی ماشین و قضاوت انسان تفاوت قائل شوند.