AI v telefóne prejavuje empatiu, zvládne aj nahnevaného volajúceho. Živý operátor je ale v call centre kľúčová poistka

Spoločnosť ElevenLabs sa vyprofilovala na jedného z najvýznamnejších globálnych hráčov v oblasti spracovania zvuku prostredníctvom umelej inteligencie. Jej technológie umožňujú vytvárať mimoriadne realistické syntetické hlasy, ktoré dokážu nielen rozprávať v takmer sedemdesiatich jazykoch vrátane slovenčiny, ale tiež vierohodne prenášať ľudské emócie, smiech či povzdychy.

O podrobnostiach i špecifikách hovorí Leander Zapheriou z ElevenLabs. Rozprával sa s ním Ján Trangel.

V článku sa dočítate

• Prečo umelá inteligencia potrebuje poznať slovenčinu.
• Ako sa AI model dokáže zasmiať.
• Či nahradí umelá inteligencia skutočných dabingových hercov.
• Prečo volajúci na linke zostali úplne ticho.
• Ako empatická AI reaguje na nahnevaného zákazníka.
• Prečo živý operátor stále zostáva dôležitou poistkou.
• Ako odošlete fotku routera priamo umelej inteligencii.
• Ako ElevenLabs dokáže poraziť Google a OpenAI.

Rozhovor si môžete prečítať alebo pozrieť vo videu aj s titulkami nižšie:

Rozumie aj zvukom

Aké dôležité bude v budúcnosti pre spoločnosti ako ElevenLabs podporovať aj menšie jazyky, ako je napríklad slovenčina?

Ak sa zamyslíme nad tým, čo ElevenLabs robí, komunikácia a konektivita sú pre nás absolútnou prioritou. To v podstate znamená nielen podporu hlavných európskych jazykov, ale aj tých menších, ako je maďarčina, slovenčina a rôzne ázijské jazyky.

Konektivitu môžete vidieť aj ako súčasť vývoja našich modelov. Naše prvé modely zvládali približne 10 až 15 jazykov. Neskôr sme to rozšírili na 32 jazykov v modeloch Flash a Turbo, a naše najnovšie modely ich zahŕňajú už okolo sedemdesiat (číslo je z leta 2026, posledný model ich zvládne viac ako 90, pozn. red.).

Je to teda veľmi dôležité. Konektivita a prepojenie na ľudskej úrovni sú naším jadrom a snažíme sa zabezpečiť, aby bol hlas ich základným prvkom.

Je možné mať skutočne funkčný viacjazyčný model, ktorý pokryje viac ako jeden jazyk, alebo je to skôr ako s celoročnými pneumatikami a ak chcete naozaj kvalitný model, musíte ho špecifikovať pre konkrétny jazyk?

Ak sa pozriete na modely, ktoré sme už uviedli na trh, a na to, čo náš výskumný tím v ElevenLabs dokázal, náš model V3 je toho skvelým príkladom. Dokázali sme nasadiť do produkcie model, ktorý zvláda 70 jazykov. Nielen to, model dokonca rozumie aj zvukom ako kašeľ, smiech či povzdych. Túto škálu emócií sme dokázali dosiahnuť naprieč sedemdesiatimi jazykmi, čo z neho robí absolútnu špičku.

Navyše sme predstavili aj lmodel V4, náš najnovší expresívny model, ktorý opäť posúva technológie na úplne novú úroveň. Ide o doteraz najvýkonnejší model prevodu textu na reč.

Ako trénujete hlas umelej inteligencie pre jeden konkrétny jazyk? Môžete ten proces opísať?

Túto otázku dostávame často. V jadre sme výskumná spoločnosť zameraná na umelú inteligenciu a spracovanie zvuku. Treba tu však jasne rozlišovať dve roviny: ElevenLabs má svoju obchodnú stránku a výskumnú stránku. Spôsob, akým robíme výskum a ako modely vyvíjame, patrí výlučne výskumnému tímu. Väčšina zamestnancov k týmto informáciám nemá prístup. Preto vám na túto otázku, bohužiaľ, nedokážem odpovedať, pretože to jednoducho neviem.

Potrebujete rodeného hovorcu, ktorý by poskytol svoj hlas do modelu, alebo to robíte na základe syntetických dát?

Týka sa vaša otázka trénovania dát alebo skôr generovania výsledného výstupu? Ak sa bavíme o generovaní výstupu, ElevenLabs ponúka takzvané profesionálne hlasové klony. Potrebujeme približne dve hodiny nahrávok daného hlasu a na ich základe dokážeme vytvoriť skutočne kvalitný syntetický výstup. Tento výstup zachováva nuansy a charakteristiky daného hlasu naprieč rôznymi jazykmi. Takže pokiaľ ide o váš dotaz na vstupné údaje, spočíva to vo využití ľudských charakteristík a ich prepojení s modelom.

Ako si dokážete poradiť s jazykmi, ktoré sú pre Európanov, povedzme, exotické, napríklad s jazykmi z východnej Ázie alebo Afriky?

V akom zmysle presne?

Myslím ich pridávanie do modelov.

To sa opäť vraciame k samotnému trénovaniu modelov, o ktorom, žiaľ, nemám žiadne detaily.

Dôležitá je rýchlosť odozvy

Mať hlas, ktorý hovorí daným jazykom, je jedna vec. Dokáže však AI hlas prejavovať aj emócie a chápať kontext textu?

Áno. Je to otázka architektonického rozhodnutia. Máme tu napríklad spoločnosť OpenAI, ktorá v podstate robí priamy prevod reči na reč. Znamená to, že hlas ide priamo do jazykového modelu a následne sa generuje späť. My v ElevenLabs k tomu stále pristupujeme inak.

Ak hovoríme o konverzačnej umelej inteligencii alebo inteligentných agentoch, stále využívame takzvaný kaskádový prístup. Ten zahŕňa prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov a spracovanie tónu, a to všetko až po prevod textu späť na reč. Toto dokážeme dosahovať vďaka našim špičkovým modelom.

Model prevodu reči na text má u nás najnižšiu latenciu, najvyššiu presnosť a plne vníma kontext. A práve preto, že rozumie kontextu, dokážeme pri generovaní výsledného hlasu obsiahnuť širokú škálu emócií. Model dokáže na základe výstupu zakašľať, zasmiať sa alebo aj zaspievať.

Pri agentoch a konverzačnej AI, kde je dôležitá aj možnosť prerušenia, alebo v mediálnom obsahu vyžadujúcom široký emocionálny rozsah, to riešime prostredníctvom syntetických zvukových značiek. Môžete na začiatok vety vložiť značku pre smiech alebo povzdych a vytvoriť tak požadovanú emocionálnu hĺbku.

Náš nový model V4 je v tomto neuveriteľný. Vďaka svojmu obrovskému dynamickému rozsahu dokáže zvládnuť obrovské množstvo nuáns, od šepkania až po spev, a dokonca zvláda aj rôzne prízvuky. Rád by som však upresnil, že vašu otázku možno rozdeliť do dvoch oblastí. Na jednej strane je tvorba obsahu, ktorá prebieha asynchrónne a offline.

Na druhej strane je konverzačná umelá inteligencia a inteligentní agenti. Máme k dispozícii dodatočné modely na to, aby sme pri agentoch zachovali potrebné nuansy a emocionálny rozsah. Modely samotné, či už ide o verzie s nízkou latenciou alebo s vysokou kvalitou výstupu, však po emocionálnej stránke zvládajú obe tieto oblasti na výbornú.

Myslíte si, že je AI hlas už dostatočne kvalitný napríklad pre televízny dabing?

Pre televízny dabing áno. Dobrým príkladom je to, keď sme vzali hlas Sylvestra Stalloneho a vygenerovali sme veľmi kvalitný výstup pre francúzsky film. Náš nástroj na dabing, verzia 2, predstavuje technologický prelom v tom, ako k dabingu pristupujeme. Úplne mení základnú architektúru hlasu a učí ho hovoriť inými jazykmi so zachovaním pôvodných čŕt.

Všetkým odporúčam, aby si to vyskúšali. Je to neuveriteľne výkonné pri zachovaní štruktúry, prízvuku, intonácie a expresívnosti hlasu naprieč rôznymi jazykmi.

Akú úlohu budú mať v budúcnosti dabingoví herci? Nehovorím len o samotnom dabingu, ale možno aj o vkladaní emócií do neurónového hlasu.

V akom zmysle?

Dnes robia dabingoví herci všetku prácu – poskytujú svoj hlas aj svoje herecké zručnosti. Keď však bude hlas v budúcnosti poskytovať umelá inteligenciou, budú jej dabingoví herci poskytovať svoje herecké schopnosti?

Je to otázka, ktorá sa netýka len dabingu, ale celkového a komplexnejšieho uplatnenia umelej inteligencie. Vezmite si napríklad zákaznícku podporu. Máte AI agentov, ktorí plne zvládajú vyriešiť časť požiadaviek, no máte aj iné časti zákazníckej cesty, pri ktorých je stále potrebná asistencia človeka.

V prípade dabingu a tvorby vysokokvalitných výstupov to bude pravdepodobne veľmi podobné. Určité časti procesu môžu byť rozšírené o umelú inteligenciu, aby nám to uľahčilo prácu. Samotný vysokokvalitný výstup a konečné sformovanie hlasu však bude aj naďalej v rukách dabingového herca.

Pôjde skôr o prácu s asistenciou AI, než o proces plne riadený umelou inteligenciou. Myslím si, že toto platí pre smerovanie umelej inteligencie vo všeobecnosti, či už hovoríme o dabingu, zákazníckej podpore alebo zákazníckej skúsenosti.

Špecializujete sa na implementáciu AI neurónových hlasov do call centier. Ako na základe vašich skúseností reagujú volajúci, keď hovoria s umelou inteligenciou?

To je dobrá otázka. Veľkú úlohu tu totiž zohráva vzdelávanie zo strany samotnej spoločnosti v tom, ako svojim zákazníkom túto technológiu prezentuje. Pri našich prvých testoch v call centrách, keď zákazníkov privítal hlas so slovami: „Dobrý deň, tu je AI agent, povedzte mi dôvod vášho hovoru,“ niektorí ľudia reagovali úplne ticho. Jednoducho sa rozhodli neodpovedať.

Myslím si, že to mohlo byť spôsobené tým, že išlo o ich prvú interakciu s takouto technológiou. Zároveň boli pravdepodobne prekvapení, aký prirodzený ten hlas v skutočnosti bol. Tradične sme boli v call centrách zvyknutí na veľmi robotické hlasy a toto je obrovská zmena. Ak však zákazníkov vystavujete umelej inteligencii postupne, môžete začať vyhodnocovať ich reakcie a zároveň ich vzdelávať, kým prejdete na plne AI riadené hovory.

Je z vašej skúsenosti lepšie volajúcemu hneď povedať, že hovorí s umelou inteligenciou, alebo by ste sa to mali snažiť skryť?

Myslím si, že je vždy dobré volajúcemu povedať, že ide o umelú inteligenciu. Aj z hľadiska legislatívy a európskych pravidiel musíte jasne deklarovať, že ide o AI hlas. Pri všetkých našich najväčších nasadeniach do praxe sme vždy otvorene komunikovali, že AI je súčasťou procesu a že ide o komunikáciu vedenú umelou inteligenciou.

Je tiež veľmi dôležité dať ľuďom možnosť vybrať si, či chcú tento systém využiť, alebo nie. Dobrým príkladom z prostredia call centier je hlásenie: „Ste desiaty v poradí. Chcete čakať desať minút, alebo chcete využiť nášho AI agenta, aby sme zistili, či vieme vyriešiť váš problém rýchlejšie?“

Týmto spôsobom dávate zákazníkom možnosť zapojiť sa do novej skúsenosti a prevziať nad ňou kontrolu. Vedie to k veľmi dobrým výsledkom. Ľudia sú s priebehom a výsledkom spokojní, a keďže mali dobrú skúsenosť, pravdepodobne si túto možnosť vyberú znova. Firma tak využije možnosti AI, ale súčasne nechá zákazníka, aby sa pre ňu rozhodol sám, namiesto toho, aby rozhodli za neho.

Myslíte si, že je lepšie pokúsiť sa pre call centrum vytvoriť neurónový hlas, ktorý je čo najbližšie k ľudskému, alebo je lepšou cestou vytvoriť skôr univerzálny a dobre zrozumiteľný AI hlas?

Zásadnou otázkou je, aká je celková zvuková identita danej organizácie. Musia si ujasniť, do akej miery ju chcú dodržiavať vo všetkých bodoch kontaktu so zákazníkom – v marketingu, na zákazníckej podpore či v internej komunikácii. Niektoré organizácie sa prikláňajú k špecifickému hlasu spojenému s ich značkou. Potom je tu však aj viacjazyčný aspekt. Žijeme vo viacjazyčnom svete. Ak nejaký hlas optimalizujete naozaj dobre pre jeden jazyk, musíte sa rozhodnúť, či to chcete urobiť aj pre iné jazyky a ako blízko k originálu chcete tento zážitok zachovať. Z pohľadu technológie je možné oboje. Závisí len od organizácií a od zákazníckej cesty, ktorú chcú vytvoriť. V praxi sa bežne stretávame s oboma prístupmi.

Ako si dokážete poradiť s rôznymi dialektmi, prízvukmi alebo rečovými chybami? Slovensko je síce malá krajina, ale máme tu veľa rôznych regionálnych nárečí.

Každý jazyk má svoj základ, z ktorého vychádza. Podobne ako má holandčina napríklad flámčinu, aj slovenčina má rôzne dialekty. Táto otázka má vlastne dve roviny. Po prvé ide o prevod reči na text a o to, ako presne dokáže systém prepisovať vstup. Po druhé ide o prevod textu na reč a o to, ako veľmi sa má výstup priblížiť danému dialektu.

Pri prevode textu na reč si môžete plne prispôsobiť dizajn a identitu syntetického hlasu tak, aby výstup znel v požadovanom dialekte. Technológia pre menšie dialekty však zatiaľ nie je úplne dokonalá. Naším cieľom je byť komplexnou platformou pre komunikáciu vo všetkých modalitách, nielen v hlase. Náš model prevodu reči na text je už teraz neuveriteľne dobrý. Čo sa týka integrácie dialektov, je to naším cieľom, no do veľkej miery to závisí od veľkosti daného jazyka a od celkovej kvality samotného modelu.

Ako riešite situácie, keď zákazníci nevedia presne a technicky opísať svoj problém? Nepoužijú napríklad slovo router, ale povedia, že im bliká svetielko na bielej skrinke.

Úzko to súvisí s predchádzajúcou témou o prístupnosti a správaní AI agentov v takýchto situáciách. Dnešní agenti sú už veľmi inteligentní. Ak počas hovoru poviete: „Prosím, môžete hovoriť pomalšie? Nerozumiem,“ agent to pochopí.

Naše modely v ElevenLabs majú emocionálnu aj hlasovú kapacitu, vďaka ktorej dokáže agent v takomto kontexte začať hovoriť pomalšie. Z hľadiska prístupnosti, či už ide o staršiu generáciu alebo ľudí s rečovými chybami, agent plne vníma vstup a dokáže svoj výstup prispôsobiť požiadavkám volajúceho na druhej strane linky.

Čo sa týka vášho príkladu s routerom, spoločnosť ElevenLabs je výrazne multimodálna platforma. Všetci nás poznajú primárne vďaka hlasu, ale môžete nám poslať aj fotografiu alebo zadať text. Zvládame všetky tieto modality. Aj keď neviete presne opísať technický problém, môžete ho odfotiť.

Agent vás dokáže inštruovať, aby získal potrebný kontext, a dokáže pracovať s logickými predpokladmi. Môžete nastaviť logiku, že biela skrinka sa rovná router, a na základe toho začať obsluhovať zákazníka. Všetko je to však založené na prísnom testovaní v reálnych podmienkach.

Musíme dôkladne otestovať všetky spôsoby, akými zákazníci hlasovo interagujú s technológiou, a následne tieto poznatky zapracovať do reálneho fungovania agentov v produkcii.

AI sa musí prispôsobiť človeku, nie naopak

Aké sú z technického hľadiska najväčšie výzvy pri AI konverzácii v reálnom čase?

Zakaždým sa to zredukuje na niekoľko architektonických rozhodnutí, ktoré musíte urobiť. Mnoho veľkých organizácií už dnes využíva nejakú formu textového chatbota. Prvou otázkou teda je, či chceme tohto chatbota znova využiť a čo to znamená pre zavedenie hlasu. Tu zohráva kľúčovú úlohu latencia.

Pri fungovaní v reálnom čase nepotrebujeme len správny kontext odpovedí, ale záleží najmä na tom, ako rýchlo ich dokážeme vygenerovať. Na existujúceho textového bota môžeme nasadiť hlasové modely, takzvaný hlasový engine. V tomto scenári využívame najlepšie modely od ElevenLabs – na prevod reči na text, detekciu aktivity hlasu, striedanie hovorcov či detekciu jazyka – ale staviame ich na existujúcej infraštruktúre chatbota danej organizácie.

Ak takáto infraštruktúra chatbota zatiaľ neexistuje, dokážeme samotný „mozog” agenta vybudovať priamo u nás v ElevenLabs. Máme tu modelovú a systémovú vrstvu. Systémová vrstva je mimoriadne dôležitá pre determinizmus – teda to, či systém správne sleduje cestu zákazníka, aká je latencia pri prístupe k externým systémom ako Salesforce, kde sa nachádzajú reálne informácie, a akým spôsobom tieto informácie do systému dostávame.

Opäť teda stojíme pred architektonickým rozhodnutím: vybudujeme celú cestu zákazníka priamo v ElevenLabs, alebo nasadíme náš hlasový engine na existujúcu infraštruktúru chatbota?

Toto rozhodnutie výrazne závisí od latencie a času potrebného na získanie informácií z vášho chatbota. Ak riešenie staviame kompletne v rámci ElevenLabs, nevykonávame viacero API volaní. Všetko je na jednom mieste, čím sa procesy výrazne zrýchlia. Máme dokonca funkcie na zníženie vnímania latencie. Ak napríklad volanie do CRM systému trvá dve sekundy, môžeme počas tohto času prehrať hudbu, zvuk písania na klávesnici alebo vetu typu „Dajte mi sekundu“, kým sa na pozadí vygeneruje odpoveď.

Je to podobné ako pri začiatkoch Spotify. Keď načítanie pesničky trvalo sekundu či dve, strácali množstvo používateľov. Preto zaviedli grafiku točiaceho sa kolieska, aby znížili vnímanie tohto oneskorenia.

Aby som teda odpovedal na vašu otázku: pri aplikáciách v reálnom čase sú kľúčovými faktormi latencia a determinizmus – teda dôkladné zmapovanie zákazníckych procesov a správne nastavenie základnej architektúry.

Ako si dokáže umelá inteligencia poradiť s nahnevanými alebo vystresovanými volajúcimi?

V zákazníckej podpore sa prirodzene stretávame so širokou škálou emócií. Vrátim sa k tomu, čo som už spomínal – naša AI veľmi dobre vníma kontext. Už pri prevode reči na text chápeme, ako sú slová usporiadané a v akom kontexte boli vyslovené. Tým dokážeme porozumieť aj prichádzajúcej frustrácii.

Pri prevode textu na reč si následne môžete zvoliť, ako má AI na túto frustráciu zareagovať. Keď agent zachytí hnev, jeho hlas môže nadobudnúť charakteristiky ako empatia či pokoj. Hlas sa pri generovaní odpovedí prirodzene prispôsobí situácii.

Celú túto adaptáciu zabezpečuje architektúra modelu, ktorá rozumie kontextu, správne odovzdáva parametre a udržiava kontextualitu od vstupu až po výstup.

Znamená to teda, že AI sa prispôsobuje tónu hlasu volajúceho, nie samotnej situácii ako takej?

Presne tak. Ak v hlase volajúceho zachytíme frustráciu, agent sa na to dokáže adaptovať. Záleží pritom na vás, ako sa rozhodnete správanie agenta pre tieto prípady nakonfigurovať.

Takže keď budem úplne pokojný a budem chcieť nahlásiť autonehodu, umelá inteligencia mi povie: „To je perfektné, to je skvelé, že nám voláte“?

Keďže umelá inteligencia pochopí, že ste pokojný, trochu sa na to v hlase adaptuje. Zároveň však chápeme, že ak ste poisťovňa alebo telekomunikačný operátor, zákazníci vám nevolajú len preto, aby vám oznámili, že majú skvelý deň. Rozumieme tomuto nastaveniu.

Zákazníci nám volajú, keď sú pod tlakom. Schopnosť umelej inteligencie pochopiť to a prirodzene podľa toho zmeniť hlasový výstup sa z architektonického hľadiska dosahuje mimoriadne ťažko. Nám sa to však v rámci našich modelov podarilo. Dbáme na to, aby sme dokázali vyjsť zákazníkom v ústrety presne v tom, ako a v akom emocionálnom rozpoložení chcú s našimi hlasovými botmi interagovať.

Niekedy sa môže stať, že AI narazí na svoje hranice a musí prepojiť hovor na živého operátora. Ako zabezpečíte, aby zákazník nemusel opakovať všetko od začiatku?

Všetky naše najväčšie implementácie sú založené na asistencii umelej inteligencie s tým, že v slučke je vždy prítomný aj človek. Ak zákazník v ktoromkoľvek okamihu povie: „Chcem hovoriť so živým operátorom,“ okamžite ho prepojíme do akéhokoľvek systému zákazníckej podpory, ktorý spoločnosť využíva, či už je to Genesis alebo niečo podobné.

Následne operátorovi odovzdáme celý kontext doterajšej konverzácie. Tento kontext je možné nakonfigurovať podľa vašich potrieb. Ak sme už urobili overenie a poznáme zámer zákazníka, nemusíme sa k týmto veciam vracať, ale presný kontext jednoducho odovzdáme živému agentovi.

Kľúčové je to, že do procesu je neustále zapojený človek. Ak už je človek do hovoru zapojený, riešime aj to, aký kontext mu odovzdáme a ako rýchlo zákazníka prepojíme. Zvažujeme napríklad, či má takýto zákazník po prepojení preskočiť rad čakania, keďže už absolvoval časť cesty s AI agentom, alebo či mu vieme prideliť prioritu v situáciách, ktoré AI vyriešiť nevie. Toto sú presne veci, nad ktorými pri našich najväčších implementáciách dôkladne premýšľame – kontext a priorita týchto interakcií.

Ako sa mení úloha ľudí v call centrách?

Call centrá môžeme kategorizovať do určitých úrovní, povedzme od nultého stupňa (L0) až po tretiu úroveň (L3). Prechádza to od tých najkritickejších a najzložitejších požiadaviek až po bežné každodenné otázky. Ak sa pozrieme na to, čo už umelá inteligencia dokáže riešiť dnes, sú to práve tie každodenné, často kladené otázky.. tie dokáže AI spoľahlivo vybaviť.

Z hľadiska zákazníckej skúsenosti si všetky úmysly a požiadavky mapujeme. Tie najzávažnejšie idú priamo k človeku. Umelá inteligencia teda zvláda otázky na povrchnejšej úrovni a tie hlbšie a zložitejšie problémy stále rieši ľudský operátor. Ide o pracovný postup, pri ktorom umelá inteligencia funguje ako asistent.

Vďaka tomu môžu ľudia venovať svoj čas riešeniu naozaj zložitých problémov a dbať na to, aby mal zákazník zo služby dobrý dojem. Zabraňuje to tomu, aby boli operátori preťažení neustálym spravovaním povrchných otázok s binárnymi odpoveďami, ktoré už aj tak existujú na firemnom webe alebo v príslušnej dokumentácii.

Čo sa týka našej infraštruktúry, komunikujeme to veľmi otvorene. Naším veľkým partnerom je spoločnosť Google a jej Google Cloud Platform (GCP). Značná časť našej infraštruktúry pre modely beží práve v rámci prostredia Googlu.

Ako vnímate konkurenciu zo strany globálnych technologických lídrov, akými sú Microsoft či Google? Má spoločnosť veľkosti ElevenLabs šancu im úspešne konkurovať?

Myslím si, že pokiaľ ide o spracovanie zvuku a audia, ElevenLabs je určite v hľadáčiku Googlu, Microsoftu aj OpenAI.

Zoberte si alokáciu zdrojov. Máte k dispozícii sto percent svojich zdrojov, ktoré musíte rozdeliť do rôznych oblastí. My nevlastníme veľké jazykové modely. Giganti ako Google, Microsoft či OpenAI majú obrovské množstvo vzájomne si konkurujúcich priorít, či už ide o vývoj infraštruktúry, hlasových služieb a podobne. Naproti tomu my v ElevenLabs máme iba jednu jedinú prioritu: konektivitu a vývoj zvukových modelov.

Čo to v praxi znamená? Ako komunikačná spoločnosť sa snažíme vybudovať tie najlepšie zážitky naprieč viacerými modalitami. Text, obraz, hlas – to jediné je stredobodom našej pozornosti. Práve preto si môžeme dovoliť investovať obrovské množstvo prostriedkov výlučne do vývoja modelov na špičkovej úrovni.

Zároveň sa intenzívne zamýšľame nad aplikačnou vrstvou a nad tým, ako firmy tieto systémy reálne zavádzajú do svojich organizácií. Trávime veľa času tým, aby sme integráciu našich riešení do existujúcich systémov čo najviac zjednodušili. Môžete mať totiž ten najlepší model na svete, ale ak nedokážete zabezpečiť jeho použiteľnosť a kvalitný výstup, je vám zbytočný.

To sa dá dosiahnuť iba prostredníctvom kvalitnej aplikačnej vrstvy, ktorá sa hladko integruje. A opäť – keďže sa sústredíme výhradne na audio, môžeme sto percent nášho času venovať komunikácii a riešeniu týchto špecifických problémov. Veľké technologické spoločnosti túto výhodu nemajú, pretože ich zdroje sa roztrieštia medzi množstvo iných projektov.