میرلو، یک استارتاپ مستقر در برلین، در حال توسعه فناوری هوش مصنوعی است که موسیقی متن‌هایی همزمان با حرکت تصویر اضافه می‌کند — پاسخی به خلا موجود در بسیاری از ابزارهای تولید ویدیو مبتنی بر هوش مصنوعی که اغلب فاقد پشتیبانی صوتی هستند. اوایل امسال، میرلو نسخه ۱. ۵ مدل هوش مصنوعی خود را روانه بازار کرد که ویدیوها را تحلیل می‌کند و افکت‌های صوتی هماهنگ با آن‌ها اضافه می‌کند. این نوآوری توجه سرمایه‌گذاران خطرپذیر را که آماده‌سازی برای رونق هوش مصنوعی تولیدکننده در صنعت بازی‌ها هستند، جلب کرده است. این شرکت که در حالت سکوت فعالیت می‌کرد، اخیراً یک دور سرمایه‌گذاری اولیه به مبلغ ۴۱ میلیون دلار را رهبری شده توسط شرکت‌های Index Ventures و Andreessen Horowitz انجام داد و مجموع سرمایه‌گذاری‌های خود را به ۴۴ میلیون دلار رساند، که شامل سرمایه‌گذاری قبلی از Atlantic برلین نیز است. این سرمایه جدید به شرکت دو ساله کمک می‌کند تا رقابت کند با رقبایی مانند سونی، تنسنت، Kuaishou متعلق به KliNG AI در چین و ElevenLabs — که همگی مدل‌های تبدیل ویدیو به افکت صوتی را عرضه کرده‌اند. میرلو با تمرکز دقیق‌تر بر تولید افکت‌های صوتی تفاوت خود را نشان می‌دهد، اما برنامه دارد تیم خود را از ۱۰ کارمند به احتمال زیاد ۲۰ تا ۳۰ نفر تا پایان سال آینده گسترش دهد تا تحقیقات و توسعه، تولید محصول و استراتژی‌های ورود به بازار را تقویت کند. مدل‌های هوش مصنوعی میرلو در پلتفرم‌هایی مانند Fal. ai و Replicate موجود است و انتظار می‌رود استفاده از API بخش عمده‌ای از درآمد کوتاه‌مدت را تأمین کند. این استارتاپ همچنین در حال توسعه Studio میرلو است، یک فضای کاری برای خلاقان که احتمالاً در نهایت از تولیدات حرفه‌ای پشتیبانی می‌کند.

با در نظر گرفتن جنجال‌های جاری در حوزه هوش مصنوعی تولیدی درباره داده‌های آموزش و حقوق هنرمندان، میرلو از کتابخانه‌های صوتی عمومی و خریداری‌شده استفاده می‌کند و در مشارکت‌های با تقسیم درآمد فعالیت دارد تا به حقوق هنرمندان احترام بگذارد. با هدف‌گذاری بر بیشترین قشر آماتور و پیش‌گام با مدل فریمیوم—که شامل پیشنهاد برنامه سازنده پیشنهادی با هزینه‌ی ۲۰ یورو در ماه (~۲۳. ۵ دلار) است—میرلو قصد دارد ویدیوهای تولید شده توسط هوش مصنوعی را “بدون صدا” کند، که نشان‌دهنده باور مدیر عامل و هم‌بنیان‌گذار CJ Simon-Gabriel است که دلیل اهمیت صوت در شکل‌دهی به تجربه تماشاگر است. او به جرج لوکاس استناد می‌کند و می‌گوید صدا “50% تجربه سینمارفتن” یا حتی بیشتر است، و بر اهمیت تحول صوتی حتی در صورت بدون تغییر بودن تصاویر تأکید می‌کند. هم Simon-Gabriel و هم Florian Wenzel، هم‌بنیان‌گذار و محققان هوش مصنوعی و موسیقی هستند و برنامه دارند در آینده تولید موسیقی با هوش مصنوعی را اضافه کنند. اما در حال حاضر، تقاضا بیشتر برای افکت‌های صوتی است، partly به‌خاطر اینکه حوزه صدای هوش مصنوعی کم‌تر کاوش شده است نسبت به حوزه‌های دیگر، و این فرصت را برای میرلو فراهم می‌کند تا حصاری رقابتی بسازد. اگرچه شرکت ارزش‌گذاری جدید خود را فاش نکرد، اما Simon-Gabriel اعلام کرد که این ارزش به‌طور قابل‌توجهی نسبت به دور پیش‌سرمایه‌گذاری افزایش یافته است. پایه سرمایه‌گذاران آن شامل سرمایه‌گذاران تأثیرگذار مانند Arthur Mensch مدیر عامل Mistral، Thomas Wolf مدیر ارشد علمی Hugging Face، و Burkay Gur هم‌بنیان‌گذار Fal. ai است که قابلیت‌های فنی و شبکه‌ای قابل توجهی را به همراه دارد. همزمان با ادغام بیشتر تولیدکنندگان ویدیو مبتنی بر هوش مصنوعی صدا—مانند Gemini که مدل DeepMind’s Veo 3. 1 برای تبدیل ویدیو به صدا را ارائه می‌دهد—ماموریت میرلو احساس اعتبار می‌کند. Simon-Gabriel، ظهور صدای در ویدیوهای هوش مصنوعی را مقایسه می‌کند با گذار از فیلم‌های silent به “talkies” (فیلم‌های ناطق)، و بر اهمیت اساسی صدای در خلق تجربه‌های غوطه‌ورانه تأکید می‌کند.