Amazon Alexaの秘密の起源

Save StorySave this storySave StorySave this storyAIデータベース →アプリケーションクラウドコンピューティングパーソナルアシスタントハードウェア人間とコンピュータのインタラクション企業Amazonエンドユーザーコンシューマーセクターコンシューマーサービスエンターテイメントソースデータ音声テクノロジー機械学習自然言語処理この記事は、Brad Stone著「Amazon Unbound: Jeff Bezos and the Invention of a Global Empire」から抜粋したものです。 ジェフ・ベゾスは、2011年初頭に会議室のホワイトボードに、後にAmazon Echoとなるデバイスの最初のスケッチを描きました。彼は、それが20ドルで、完全に音声で制御できるようにしたかったのです。その頭脳はクラウドに置かれ、同社のWebサービス提供を活用することで、所有者がハードウェアをアップグレードする必要なく、Amazonが継続的に改善できるようにしました。 ベゾスが古代アレクサンドリア図書館にちなんで名付けた人工知能仮想アシスタント、Alexaを搭載したデバイスの最初の描写には、スピーカー、マイク、ミュートボタンが描かれていました。箱から出してすぐにコマンドを理解することはできなかったため、スケッチでは、デバイスをワイヤレスネットワークに設定する行為が、さらなる検討を要する課題として特定されていました。 当時ベゾスのテクニカルアドバイザー（TA）だったグレッグ・ハートは、その会議に同席していたもう一人の人物であり、彼は注意深く耳を傾けていました。ベゾスは、ハートに、このやや突飛な音声コンピューターのアイデアを実際の製品に変えるグループを率いるように言いました。ハートは、その絵を携帯電話で撮影しました。 「ジェフ、私はハードウェアの経験が全くありませんし、私が率いた最大のソフトウェアチームでも40人程度でした」と彼は回想します。 「君ならうまくやるだろう」とベゾスは答えました。 ハートは、その信頼に感謝し、「わかりました。もし途中で失敗することがあれば、そのことを覚えておいてください」と言いました。 Jeff Bezos first sketched an Alexa device on a whiteboard in 2011. Courtesy of Amazon それから3年間、ベゾスはこのプロジェクトに深く関与し続けました。彼は、最初のEchoがリリースされる前に、数百億円の投資を承認し、詳細な製品決定を行い、チームとほぼ一日おきに会合しました。従業員は、ドイツ語の最上級を使って、彼を「スーパープロダクトマネージャー」と呼んでいました。 しかし、この取り組みを主導したのはハートでした。ベゾスのオフィスの通りの向かいにある、Kindleチームが入居していた建物で作業が行われました。数ヶ月の間、ハートは社内外から少人数のグループを採用しました。上司と同様に、彼は秘密主義に没頭していました。彼は、候補者に対して「私のミッションに参加しませんか」という件名で曖昧なメールを送り、「盲人のためのKindleをどのように設計しますか？」といった質問をしました。候補者が取り組む製品については、具体的に明かすことを拒否しました。ある候補者は、Amazonが広く噂されているスマートフォンだと推測したと語り、ハートは「別のチームが電話を開発しています。しかし、これはもっと面白いものです」と答えたと述べています。 初期のAlexaチームは、熱狂的なまでの緊急感を持って作業を進めていました。非現実的ではありましたが、ベゾスはデバイスを6ヶ月から12ヶ月以内にリリースすることを望んでいました。彼には急ぐ十分な理由がありました。2011年10月4日、Alexaチームが結成されようとしていたまさにその時、AppleはiPhone 4SでSiri仮想アシスタントを発表しました。それは共同創業者スティーブ・ジョブズの最後の情熱的なプロジェクトであり、彼は翌日、癌で亡くなりました。ハートと彼のチームは、復活したAppleも音声操作パーソナルアシスタントに取り組んでいるというニュースに正当性を感じましたが、Siriが市場に最初に登場し、当初は否定的なレビューをいくつか受けたという事実に落胆しました。 Amazonチームは、自分たちの製品はスマートフォンから独立しているためユニークだと自分たちを納得させようとしました。彼らはまた、はるかに技術的に複雑な偉業を成し遂げようとしていました。Siriのユーザーはマイクに直接コマンドを話しました。Amazonは、比較的未熟な技術である遠距離音声認識（far-field speech recognition）を使用して、騒がしい部屋のどこからでも話された言語を理解できるサービスを構築しようとしていました。 開発を加速するために、ハートと彼のチームは買収すべきスタートアップを探し始めました。これは簡単な課題ではありませんでした。なぜなら、AppleがSiri（そして最近Microsoftに買収された）のためにライセンスしていた音声技術の大手であるボストン拠点のNuanceは、長年にわたりアメリカのトップ音声企業を次々と買収して成長していたからです。Alexaの幹部たちは、残っている有望なスタートアップを特定するために、候補となるターゲットにKindleのデジタル書籍カタログの音声化を依頼し、その方法と結果を研究しました。この探索は、ポーランドのスタートアップIvonaを含む、その後の2年間でのいくつかの迅速な買収につながりました。 Ivonaは、グダニスク工科大学のコンピューターサイエンス学生だったLukasz Osowskiによって2001年に設立されました。Osowskiは、いわゆるテキスト・トゥ・スピーチ（TTS）がデジタルテキストを自然な声で読み上げ、ポーランドの視覚障害者を助けることができるという考えを持っていました。若いクラスメートのMichal Kaszczukと共に、彼は俳優の声を録音し、単語の断片（二重母音、diphonesと呼ばれる）を選択し、それらを異なる組み合わせでブレンドまたは「連結」して、俳優が決して発したことのないかもしれない自然に聞こえる単語や文章を近似させました。 Ivonaの創設者たちは、その技術がいかに強力になりうるかを、ポーランドの人気俳優Jacek Labijakに数時間分の音声を提供してもらい、音のデータベースを作成した際に、早期に垣間見ました。彼らがSpikerと名付けたその結果の製品は、ポーランドで最も売れているコンピューターボイスとなりました。その後数年間、それは地下鉄、エレベーター、そしてロボコールキャンペーンで広く使用されました。Labijakは後に、自分の声があちこちで聞こえるようになり、例えば、選挙で候補者に投票するように促す電話を自分の声で定期的に受けるようになりました。いたずら好きはソフトウェアを操作して彼に不適切なことを言わせ、そのクリップをオンラインに投稿したところ、彼の子供たちが見つけました。その後、Ivonaの創設者たちは、俳優が怒ってソフトウェアから自分の声を取り下げようとした後、俳優との契約を再交渉しなければなりませんでした。（今日、「Jacek」はAWSのAmazon Pollyコンピューターボイスサービスで提供されるポーランド語の声の一つとして残っています。） 2006年、Ivonaはカーネギーメロン大学が主催する、最も自然なコンピューターボイスのコンペティションである年次Blizzard Challengeに参加し、繰り返し優勝し始めました。2012年までに、Ivonaは20の言語に拡大し、40以上の声を提供していました。ハートと、プロジェクトの最初のエンジニアリングマネージャーであるAl Lindsayは、買収対象を探すヨーロッパ旅行中に、グダニスクで彼らを訪れました。「オフィスに入った瞬間から、私たちは文化的な適合性を感じました」とLindsayは、研究者がしばしば高尚な追求に気を取られ、実際の製品を出荷するのに苦労する分野で、Ivonaの進歩を指摘しながら言いました。「彼らの粘り強さが、純粋な学術界の外に目を向けさせ、科学に盲目にならないようにしました。」 約3000万ドルでの買収は2012年に完了しましたが、1年間は秘密にされました。Ivonaチームと、Amazonが新しいグダニスクR&Dセンターのために採用するであろう多くの音声エンジニアが、Alexaの声を作り出す責任を負いました。このプログラムは、ベゾス自身によって細かく管理され、CEOのいつもの好奇心と気まぐれにさらされていました。 当初、ベゾスは、音楽を聴く場合やフライトを予約する場合など、異なる目標やタスクに関連付けられた、デバイスから発せられる数十種類の異なる声を求めていました。それが実用的でないことが判明した後、チームは単一のペルソナナリティに望ましい特性のリストを検討し、信頼性、共感、温かさといった特性が女性の声に一般的に関連付けられていると判断しました。 この声を発展させ、地域的なアクセントの痕跡がないことを保証するために、ポーランドのチームは、AppleのエージェントであるSiriに音声を変換するのに役立った、アトランタ地域拠点のボイスオーバースタジオ、GM Voicesと協力しました。GM Voicesは、顧客のために合成ペルソナナリティを作成するために、声優に何百時間ものテキストを読ませます。それは、書籍全体から...