Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

Snipd 如何使用 AI 在播客中“解锁知识”

Posted on 2022-08-16

播客已经成为一个价值 10 亿美元的主要行业,仅美国的广告收入今年就有望达到 20 亿美元——这一数字到 2024 年将翻一番。在此背景下,该领域的主要参与者正在加强他们的播客军械库, Spotify 最近斥资约 8500 万美元收购了两家专门从事播客测量和分析的公司,而Acast 最近以 2700 万美元的价格收购了 Podchaser——一个为广告商提供更深入数据洞察的“播客 IMDb”。

但是,随着大型平台在寻找播客财富的过程中锁定号角,较小的参与者继续带着自己的想法来到现场,就如何为创作者和消费者等推动播客媒体的发展。

其中之一是Snipd ,这是一家瑞士初创公司,它构建了一个播客应用程序,该应用程序使用人工智能来转录内容并与笔记应用程序同步;自动生成书本式“章节”;并且,从本周开始,在 TikTok 风格的个性化提要中提供播客亮点。

超越搜索和订阅

与其他所谓的“播客”应用程序类似,Snipd 的工作原理是用户搜索和订阅他们感兴趣的播客——这可能是从真正的犯罪到历史和体育的任何内容。但是 Snipd 正在努力超越另一个播客,就它如何分析剧集的内容来帮助听众策划和深入了解重要细节的核心而言。

例如,Snipd 可以创建“章节”,将每一集分成带有自己标题的可导航片段,同时它还可以生成整个节目的抄本。

Snipd:人工智能生成的“章节”和转录

最重要的是,用户可以在收听剧集时手动创建“剪辑”,让他们保存自己喜欢的时刻并为每个剪辑添加注释。

随着 Snipd 的最新发布,本周可在Android和iOS上使用,该公司正在通过向用户展示各种精彩片段来引导其内部 TikTok,自动从众多播客中提取它认为最令人难忘的时刻。然后,它为每个剪辑分配一个 AI 生成的标题,并将它们呈现在用户可以通过上下滚动导航的提要中。

Snipd:受“TikTok”启发的播客集锦提要

从那里,听众可以将每个剪辑保存到他们的库中,或者——如果他们喜欢从 Snipd 呈现的短片段中听到的内容——直接跳到完整的播客剧集中。

值得注意的是,随着应用程序的最新更新,用户现在被要求选择他们最喜欢的主题(例如“历史”或“音乐”),Snipd 使用这些主题来生成这些亮点。这意味着剧集提要不仅仅基于用户的播客订阅,因为它还会根据他们选择的主题以及其他“信号”提取Snipd认为他们会感兴趣的内容。

“该算法的目标是向用户展示他们感兴趣的内容——为此,我们使用了各种信号,”Snipd 联合创始人凯文史密斯向 TechCrunch 解释道。 “用户是否订阅了某个节目是一个强烈的信号,这就是为什么很多显示的内容都来自用户的订阅。但还有许多其他重要信号,例如用户收听、突出显示和保存的内容,或者其他用户当前的流行趋势。”

虽然这可能被那些寻求帮助以寻找新的和有用的播客的人解释为一个积极的举动,但它可能会激怒那些只想查看他们特别订阅的内容的用户。但 Snipd 最终计划让听众更精细地控制他们的精彩片段中出现的内容,包括从他们没有特别订阅的播客中过滤掉剪辑的能力。

还值得强调的是,Snipd 的新提要侧重于新发布的播客剧集,尤其是前两周发布的播客剧集——未来,在建议 Snipd 的旧内容方面,计划采用更类似于 YouTube 的方法认为是相关的和有趣的。

除了受 TikTok 启发的新集锦提要之外,Snipd 用户仍然可以访问其主要订阅列表中每一集的 AI 驱动集锦,无论该集的最新情况如何。

该应用程序使用诸如订阅节目的用户数量等标准,自动为更受欢迎的播客生成精彩片段。对于新的或不太受欢迎的播客,用户可以手动“请求” Snipd 发挥它的魔力,以便在大约 20 分钟内为他们提供亮点、章节、成绩单和所有其他内容。

Snipd:亮点

人工智能在工作

但是,Snipd 在评估要在其“亮点”中呈现哪些内容时,究竟会寻找什么?它如何知道哪些细分市场比其他细分市场更有价值?根据史密斯的说法,这完全取决于用户在历史上如何与剧集互动——它分析哪种类型的内容最受关注,然后将这些数据反馈到其人工智能训练机制中。

“我们的人工智能通过分析旧剧集的内容来学习,并比较这些剧集的哪些部分被我们的用户最突出,哪些部分没有,”史密斯说。 “我们的用户经常强调一集中最有洞察力的部分,而不太有趣的部分经常被跳过而不是突出显示。我们的 AI 已经学会使用对话的实际内容来识别这些部分,并可以在新剧集中推荐它们。”

Smith 补充说,Snipd 主要在内部创建其 AI 模型,特别是对于语言模型,它从类似于 GPT-3的大型预训练模型开始,这些模型已经能够理解大量关于文本和语言的内容。

“然后,我们根据非常具体的用例对这些模型进行微调,”史密斯指出。 “其他模型,我们完全从头开始训练。
然后,我们使用来自用户的反馈信号来随着时间的推移改进模型。”

史密斯说,在公司的初步调查结果中,用户似乎使用精彩片段来决定他们想听哪一集——所以他们会浏览各种剪辑,直到找到能抓住他们的东西,然后他们会跳到整集。归根结底,问题在于选择超载——类似于 Netflix 如何根据订户的观看习惯“建议”观看新节目,并在主菜单屏幕上呈现节目预览,Snipd 试图帮助听众过滤播客噪音。

“我们的用户有时订阅了 100 多个节目,尤其是那些信息非常丰富的节目,例如Lex Fridman 播客或Tim Ferriss 节目,”史密斯说。 “这些剧集长达五个小时。这使得听众发现他们最感兴趣的部分变得非常耗时。”

解锁知识

一些研究表明,多达 74% 的听众收听播客是为了“学习新事物”,而 71% 的听众将“娱乐”作为主要动机,51% 的听众表示放松。

这就是为什么 Snipd 自称的使命是在播客中“解锁知识”。

“我们正在解决的主要问题是从播客中获取知识,”史密斯解释说。 “我们着眼于在播客中与知识互动的整个用户旅程,并尝试改进它。从发现最好的内容、消费它、保存用户想要记住的知识,到与朋友分享。”

在最新的应用程序更新之前,Snipd 主要专注于让用户突出并保存他们遇到的特定知识花絮,以便他们以后可以重新访问。因此,该应用程序与耳机兼容,因此慢跑者(例如)可以三次单击耳机上的按钮来创建和保存带有自动生成的标题、摘要和脚本的剪辑。鉴于播客在司机中的受欢迎程度,Snipd最近还推出了对 Apple CarPlay 的支持,允许用户在驾驶时生成播客精彩片段。

Snipd 也以其他方式支持其“知识解锁”任务。例如,如果用户想从播客中读取片段或成绩单,则可以将 Snipd 与稍后阅读服务Readwise和笔记应用程序Notion集成和同步。最重要的是,用户可以手动将 Snipd 内容导出到 Obsidian、Logseq、Bear 和 Markdown。

把钱拿出来

Snipd 总部位于苏黎世,由五人组成的团队,其中包括三名联合创始人和两名员工。该应用程序的第一次迭代于去年 8 月推出,在随后的几个月中,该公司从包括早期瑞士风险投资 (VC) 公司Wingman Ventures 以及总部位于美国的 VC Acequia Capital,此前曾投资过 Square、Pinterest 和 Wish 等价值数十亿美元的公司。史密斯说,Snipd 计划在“不久的将来”的某个时候进行种子轮融资。

所有这些都将我们引向一个关于财务的相当重要的问题——Snipd 究竟是如何赚钱的?简短的回答是,Snipd 还没有赚钱……还没有。但在未来,该公司计划采用免费增值业务模式,就像其他类似的播客应用一样,因此这可能意味着一个基本的免费版本,由广告或推广内容支持,一些时髦的人工智能驱动的智能被推后付费墙。

这也引发了一个问题,即在一个包括 Apple、Spotify、Acast 和 Pocket Casts 等成熟(且资金充足)的老牌企业在内的市场中蓬勃发展有多么容易。 Snipd 的人工智能功能肯定很简洁,但尚不清楚 Snipd 能否获得足够的用户群来建立一项重要的业务。此外,已经有类似的公司存在,例如Moonbeam ,这是一个播客发现应用程序,它结合机器学习和人工管理来提供个性化的播客推荐。还有Airr和Fathom.fm ,它们在帮助听众从他们的播客中获得更多信息方面是相似的,要么通过帮助发现,要么让他们提取他们认为最有趣的部分。

事实上,Snipd 可能是收购或收购的过程中。例如,Spotify 已经为其自己的原创播客提供了成绩单,并且为专注于播客的初创公司提供数百万美元并不陌生。亚马逊最近还推出了播客转录。

在繁忙的空间中,很明显,主要的播客播放器将继续寻找新的方法来增加价值并在竞争中脱颖而出,而帮助他们的订阅者“解锁知识”可能是另一种方式来做到这一点。

“我们将播客视为世界上最大的知识库之一,因此专注于知识寻求者社区,”史密斯说。 “虽然我们的竞争对手将播客视为您从头到尾聆听的音乐,但我们将它们视为一系列知识丰富的时刻。”

原文: https://techcrunch.com/2022/08/16/how-snipd-is-using-ai-to-unlock-knowledge-in-podcasts/

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Alin Panaitiu
  • Anil Dash
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brandon Skerritt
  • Brent Simmons
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • PostHog
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Slava Akhmechet
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2026 搞英语 → 看世界 | Design: Newspaperly WordPress Theme