„Telefony wrócą do kieszeni” – zapowiada szef ElevenLabs. Głos, a nie ekran, ma stać się głównym interfejsem AI. To wizja warta 11 miliardów dolarów.
W skrócie:
- Mati Staniszewski, CEO ElevenLabs, twierdzi, że interfejsy głosowe zastąpią ekrany, pozwalając nam na nowo zanurzyć się w otaczającym nas świecie.
- Nowe modele AI łączą głos z rozumowaniem, ucząc się z kontekstu i pamięci, co sprawia, że interakcje stają się bardziej naturalne i mniej uciążliwe.
- Giganci tacy jak OpenAI, Google i Meta również inwestują w technologię głosową, co potwierdza, że to kluczowe pole bitwy o przyszłość AI.
Podczas konferencji Web Summit w Doha padły słowa, które brzmią jak scenariusz filmu science fiction, ale pochodzą z ust jednego z najważniejszych graczy na rynku sztucznej inteligencji. Mati Staniszewski, współzałożyciel i CEO ElevenLabs, firmy wycenianej niedawno na astronomiczną kwotę 11 miliardów dolarów, bez ogródek zapowiedział zmierzch pewnej epoki. Epoki, w której nasze życie kręci się wokół ekranów. Jego wizja jest prosta i jednocześnie radykalna – technologia ma stać się niewidzialna, a naszym głównym narzędziem do komunikacji z nią będzie głos. „Mam nadzieję, że w nadchodzących latach wszystkie nasze telefony wrócą do kieszeni, a my będziemy mogli zanurzyć się w otaczającym nas, prawdziwym świecie, z głosem jako mechanizmem kontrolującym technologię” – powiedział Staniszewski w rozmowie z TechCrunch.
Jak AI nauczyła się nie tylko mówić, ale i rozumieć?
To nie jest kolejna opowieść o nieco sprawniejszym asystencie głosowym. Staniszewski podkreśla, że jesteśmy świadkami fundamentalnej zmiany. Modele głosowe, takie jak te rozwijane przez ElevenLabs, przestały być jedynie syntezatorami mowy, które potrafią naśladować ludzkie emocje i intonację. One zaczęły działać w tandemie z potężnymi zdolnościami rozumowania, jakie oferują duże modele językowe (LLM). To połączenie tworzy zupełnie nową jakość interakcji. Maszyna nie tylko odpowiada na polecenia, ale rozumie kontekst, uczy się na podstawie wcześniejszych rozmów i przewiduje nasze potrzeby. To krok w stronę tak zwanej „agentic AI” – autonomicznych systemów, które działają proaktywnie, wymagając od nas coraz mniej precyzyjnych instrukcji.
Wtórował mu Seth Pierrepont z Iconiq Capital, który na tej samej scenie stwierdził, że tradycyjne metody wprowadzania danych, takie jak klawiatury, zaczynają wydawać się „przestarzałe”. Według niego przyszłe systemy będą wyposażone w mechanizmy zabezpieczające, integracje i kontekst, co pozwoli im reagować z minimalnym udziałem użytkownika. Zamiast szczegółowo opisywać każdy krok, będziemy mogli prowadzić naturalną konwersację, a system sam wywnioskuje, czego od niego oczekujemy, bazując na wbudowanej, trwałej pamięci.
Wielka gra o nasze uszy. Kto jeszcze jest w wyścigu?
Wizja Staniszewskiego nie jest odosobnionym marzeniem. To kierunek, w którym zmierza cała branża. OpenAI i Google uczyniły głos centralnym elementem swoich modeli nowej generacji. Apple, choć działa dyskretniej, poprzez akwizycje takie jak Q.ai, również buduje technologie „always-on” (zawsze włączone), które są nierozerwalnie związane z głosem. Gdy sztuczna inteligencja coraz śmielej wkracza do urządzeń noszonych (wearables), samochodów i nowego sprzętu, kontrola przestaje polegać na stukaniu w ekrany. Staje się rozmową. To sprawia, że głos jest dziś kluczowym polem bitwy o kolejną fazę rozwoju AI.
ElevenLabs już teraz jest w samym środku tej gry. Firma współpracuje z Metą, dostarczając swoją technologię do takich produktów jak Instagram czy platforma VR Horizon Worlds. Staniszewski przyznał, że jest otwarty na współpracę przy inteligentnych okularach Ray-Ban, co pokazuje, że interfejsy głosowe naturalnie zmierzają w stronę nowych, mniej inwazyjnych form sprzętowych.
Czy „zawsze włączony” oznacza „zawsze podsłuchujący”?
Ta piękna wizja ma jednak swoją mroczną stronę. Głos stający się stałym, osadzonym w codziennym sprzęcie towarzyszem, otwiera puszkę Pandory z poważnymi obawami o prywatność i nadzór. Ile danych osobowych będą przechowywać systemy, które towarzyszą nam na każdym kroku? To pytanie nabiera szczególnej wagi, gdy przypomnimy sobie oskarżenia o nadużycia, z jakimi w przeszłości mierzyły się firmy takie jak Google. Granica między pomocnym asystentem a narzędziem inwigilacji staje się niebezpiecznie cienka.
Staniszewski zdaje się rozumieć to ryzyko. Zapowiedział, że ElevenLabs pracuje nad hybrydowym podejściem, które połączy przetwarzanie danych w chmurze z tym odbywającym się bezpośrednio na urządzeniu. Taki model ma na celu wsparcie nowego sprzętu, w tym słuchawek i innych urządzeń noszonych, gdzie głos staje się stałym kompanem, a nie funkcją uruchamianą na żądanie. Czy to wystarczy, by uspokoić obawy? Czas pokaże. Na razie jedno jest pewne: rewolucja głosowa już się rozpoczęła, a my wszyscy jesteśmy jej uczestnikami – czy tego chcemy, czy nie.