Cliff Weitzman 谈 Speechify、AI 工具与迭代学习

Speechify 创始人兼 CEO Cliff Weitzman 与 Harry Stebbings 讨论学习、广告、AI 工程、管理和投资。Weitzman 的讲述包括个人健康经历和公司数字；这些说法并非独立医学证据、审计结果或个性化建议。

Weitzman 回忆，自己 13 岁移居美国时不会说英语，后来申请了 26 所大学，而非升学顾问建议的六所。他为主申请文书写了 48 个草稿。他认为这次经历早早体现了自己相信多次尝试、反复投入的理念。

Weitzman 说，阅读障碍让他小时候读写困难。他描述了构建文本转语音系统的经历，并说 Speechify 每年朗读的文字相当于数百万本书。这一使用量是公司的说法；他的个人经历不能证明该产品能治疗或治愈阅读障碍或 ADHD。

他回忆，自己为了避免拼写错误，在同学的年鉴里写了同样简短的留言，后来却发现写错了。多年后，他说自己借助 Speechify 听大学论文，发现了拼写错误。他把那一刻描述为对自己意义重大，而非临床结果。

Stebbings 问 Weitzman 从寻找消费订阅公司负责人交流中学到了什么。Weitzman 说，他广泛阅读、寻找专家，并持续但礼貌地联系他们。他说，通过这一过程结识的一些人后来成了 Speechify 的早期投资人。

他说，如果 CEO 没有回复，他会联系营销或增长负责人、请求引荐并继续跟进，直到得到回复或被要求停止。他通过书籍等共同兴趣建立联系，有时还会亲自旅行，观察团队如何工作。

Weitzman 将增长描述为争夺注意力的竞争，认为创意内容和分发都很重要。他说，自己通过观察实际购买广告和剪辑内容的人学习，而不只依赖高层领导。他的例子反映的是 Speechify 的经历，并非普遍适用的公式。

他回忆 Blinkist 创始人曾建议在拓展其他付费渠道之前先集中于 Meta。Weitzman 当时采纳了建议，但所引述的支出门槛只是具体经验参考，并不能保证 Meta 对其他企业也是合适的渠道或预算。

Weitzman 讲述一位增长负责人花了数周计划招聘，却没有制作广告。他要求对方亲自寻找候选人、制作并购买广告。他重视能够亲自完成工作，而不是等待更大团队执行的领导者。

在招聘时，Weitzman 说他看重对产品的热情、对团队的忠诚以及学习和交付的能力。他描述用快速回复和加快跨团队贡献的审查来解除同事的阻塞。这些是公司要求和个人经验法则，并非经过验证的个人表现预测指标。

Weitzman 将公司增长与盈利阶段比作增肌和减脂。他说 Speechify 花了约四年半才找到产品市场契合，约在 2020 年转化和续订指标上升。时间线和指标来自他的回忆，并非独立审计的结果。

在增长没有达到预期的一段时期，他以半小时为单位记录时间，并决定从阅读增长知识转向执行。后来，他说公司重点转向利润率和盈利能力。他认为同时追求快速增长和削减成本可能分散注意力。

Weitzman 说 Speechify 盈利运营了约四年半，随后进入另一个增长阶段。他区分了直接获客成本与对创意实验、工程的更广泛投入。盈利与支出数字由他自行报告，不能确定当前利润率。

他说自己愿意资助创意、渠道和工程实验，但不喜欢无法归因的广告支出。目标是弄清哪些支出有效，而不是单纯接受更高获客成本。这个例子是他的经营理念；归因本身也可能不完美。

Weitzman 描述了创作者授权广告：请创作者制作多段视频，将它们作为付费广告测试，成功版本还可以通过创作者账号发布。他说，不同受众对不同呈现方式有不同反应，因此应把创意形式作为测试变量。

他报告称，公司每天测试近 1,000 条 AI 生成广告，每月还与真人创作者制作数千条内容。他说团队会改变表演者呈现出的年龄、身份或背景以制作不同版本。这些是创始人提供的数字和做法；访谈没有评估广告如何标注或受众如何看待它们。

Weitzman 说，他在研究该领域并招聘专门团队后，构建了内部广告生成平台。他描述了自动分发和报告，同时随着模型变化不断尝试新模型。他对工具及结果的描述属于公司说法，并非独立比较。

Weitzman 说，对于每批广告，团队会查看点击率、每次行动成本和每千次展示成本。若广告获取付费客户的成本低于内部门槛，可能进入更大规模的广告活动；其他则会停掉。他说有时一整天没有候选广告通过测试。

Weitzman 描述自己使用 AI 工具整理信息，包括家人的医疗记录和研究，也包括商业研究及学区地图。这些是个人用途，并不能验证工具输出，也不能确定任何具体工作流的隐私保护情况。

Weitzman 回忆研究数百则成功广告，并将其结构改写为 Speechify 广告。他描述了一支画面：自己戴红色耳机、穿西装坐在热水浴缸中，之后又进行几十次剪辑和测试。他说其中一个版本表现持续多年；展示和收入数字来自公司描述。

他说，另一段关于自己阅读障碍和 ADHD 经历的说唱视频产生约 300 万美元收入，而一支原本期待表现很好的广告并未成功。他的教训是测试，而不是假设创意一定能转化。收入归因由他自行报告，不能确定其他人的可能结果。

他建议把成功的形式跨主题、跨平台复用，同时改变开头。Stebbings 问，播放量很高但转化很少的视频是否值得做。Weitzman 说，当目标是为付费获客提供资金时，他优先关注转化。

他说，Speechify 同时提供免费体验和付费订阅，付费客户承担广告支出。他在商业模式之外也描述了公司的无障碍使命。用户数量及不同状况的流行程度均是他的估计，并非经过验证的临床或人口统计。

Weitzman 说增长活动归一个组织管理，内部设有专业小组。他称口碑是最大的用户来源，并提到 Apple 推荐、搜索和来自 ChatGPT 的引荐。百分比和渠道表现是公司说法，未经外部核实。

他预测 AI 助手中的广告可能变得重要，并说 Speechify 正在测试一个新渠道。他推测平台了解用户的程度及定向方式。访谈没有确定平台是否将私人消息用于广告，也没有验证他对平台数据做法的说法。

被问及 Meta 股票时，Weitzman 根据领导层、分发和数据表达个人看好观点。他之后还对 Figma 发表意见。这些是录制时的投机性投资观点，并非经过验证的估值或适合读者个人情况的建议。

Weitzman 澄清，设计变得更容易指的是设计工具中的部分制作工作，而不是品味或用户研究消失。他说 Speechify 仍招聘设计师，在初始原型后让他们改进产品。他认为选择和打磨体验很重要。

他说 Speechify 从大量使用 Cursor 转向 Claude Code，并要求工程师积极使用 AI 编程工具。他预测公司明年的 token 支出可能超过工程团队薪酬，其他公司最终也可能如此。这是针对工程团队的预测，并非已经报告的全公司结果。

Weitzman 描述内部演示，并要求团队成员解释为何没有使用这些工具。他说有时会设定极端期待以推动采用。这些是他的管理做法，并不能证明特定使用配额会改善工作，也不能证明适合每位员工。

他列举了据称包括文本转语音、听写、播客、教学工具和语音助手在内的 Speechify 产品。他说用户需要教育和反复迭代才能采用功能。这些产品及采用说法来自创始人，没有在访谈中独立评估。

Weitzman 描述使用 AI 辅助研究整理有关弟弟健康的信息，并寻找可能的基因发现。这是未经核实的家庭叙述，并非 AI 系统能够可靠诊断或解释个人病情的证据。

他还讲述父亲的前列腺癌病史、对检查时间的分歧，以及自己寻找更高分辨率扫描的过程。他说自己联系了研究中心，父亲接受扫描，后来接受了手术。访谈不包含医疗记录、比较证据或足够信息，无法判断所建议的治疗。

Weitzman 说，语言模型让他更有信心提出问题并寻找另一种扫描。他认为患者应学习并积极参与决策。他的经历不能证明更早影像检查或手术通常更优，也不能证明 AI 输出可以取代合格临床判断。

回到招聘话题，Weitzman 将面对困难仍坚持的能力称为“逆境商数”。他说自己寻找候选人真正交付过的项目，以及持续处理难题的能力。这是他的个人招聘框架，并非经过验证的测试，也不能仅凭单一特征推断一个人的能力。

他会请候选人描述自己改造过的系统或构建过的项目，并寻找学习和主动性的证据。他说误导性统计和冗长、没有重点的回答会让他担忧。这些偏好反映他评估公司岗位的方式，并不能确立衡量诚实或才能的通用标准。

Weitzman 更喜欢能够解释自己与 Speechify 使命联系的候选人，例如本人使用产品或有家庭经历，而不是主要为金钱而来的候选人。他认为使命感可能有助于留人。这是他的招聘偏好，并非寻求更高薪酬的人忠诚度更低的证据。

讨论阅读障碍和 ADHD 时，Weitzman 描述了自己的经历，并推测反复遇到障碍可能塑造韧性。他引用了关于被监禁者和亿万富翁的惊人百分比，但没有提供来源。访谈没有核实这些数字，也没有确定任何诊断能预测创业成功。

Weitzman 说，一些有 ADHD 的人可能觉得涉及多个领域的领导岗位有刺激性，但早期需要集中注意力的个人工作可能更难。他还举了高速听取内容的例子。这些是他的观察和假设，并非适用于所有 ADHD 患者的临床指导或研究发现。

被问及新兴岗位时，Weitzman 强调辅导同事使用 AI。他报告了 Speechify 的申请和技术挑战数字，并说自己因为未能形成内部共识而后悔没有聘用一位教练。这些招聘数字来自他的描述，未经独立审计。

Weitzman 说，自己愿意为信任的人支付更高薪酬，并愿意快速招聘，不合适时再分开。Stebbings 也谈到信任面试初期的直觉。这些是个人招聘判断；两人没有提供证据证明快速决定或直觉能可靠预测表现。

Weitzman 说，自己从 Google 和不同地区招聘的经历影响了他对上进心与留人的偏好。他对前员工和地区忠诚度的宽泛说法未经证实，并非关于个人的证据，也不是公平地预设任何候选人行为的依据。

他回忆一名员工曾因为当地朋友不多而考虑离开。Weitzman 说他安排了晚餐和介绍，之后那人留下了。他把这作为寻找深层需求的例子，而不是证明此法能留住所有人。

他描述了帮助另一名员工处理移民材料，以及在战争升级前访问乌克兰的一名员工。他说自己会尝试理解员工想离开的原因并予以解决。这些是个人叙述；节目没有独立核实事件或他关于整体人员流失的说法。

被问及裁员时，Weitzman 说他担忧 AI 收益分配不均，也不知道如何让所有人重新获得技能。他认为创业和实际项目可能帮助一部分员工。他对毕业生就业机会的说法是个人印象，并非劳动力市场测量。

他说，他重视理解系统且能采用新 AI 工具的资深工程师，同时也招聘有才能的年轻候选人。他说 Speechify 的工程挑战既测试编程智能体的使用，也测试候选人能否发现并修复造成的故障。

Weitzman 将 Speechify 描述为远程优先团队，并给出录制时的团队规模和所在国家数量。他要求员工快速确认请求，使同事知道应该等待还是寻找其他方案。具体的 60 秒期待是公司的做法，并非回复时间能预测工程表现的证据。

他说，回复可以只是说明何时有空提供帮助，并鼓励员工向负责人沟通优先事项。Stebbings 描述自己的三小时回复规则，包括周末。两人认为快速沟通有价值，但没有测量它对专注、休息或工作生活边界的影响。

为提高速度，Weitzman 提议在共享日历上设置明确截止时间，并在预计延误时尽早通知。他要求工作上线后提供简短演示。他认为领导者应以身作则，但这种方式对不同团队可能有不同取舍。

Weitzman 回忆了两名来自大型科技公司的员工，他认为他们不适合 Speechify 的文化。他后悔没有更早处理。这是他对未具名人事事件的看法，并非特定时间下班或来自特定雇主就意味着表现差的证据。

他更喜欢在需要立即澄清时打短电话，而不是进行漫长的 Slack 讨论，同时承认文本适合异步沟通。他还描述了内部语音智能体。他对同步沟通的偏好反映个人风格，不能证明它对所有任务或团队都更快。

Weitzman 批评正式绩效评估，倾向于清楚沟通预期结果和截止时间。他的例子要求开发者缩小功能范围，并完成审查和质量保证。他提出的时间表是管理偏好，而非普遍评估标准。

他认为，当 AI 能快速生成代码时，质量保证会更加重要。他希望员工跨设备、网络状态和用户流程测试，并用录屏报告问题。他称 QA 是最有价值技能的说法属于观点，而非经过测量的排名。

Weitzman 说，不擅长负责完整功能的工程师仍可能在 QA 中作出贡献，决定分开之前也可以先辅导。他重视识别边缘情况并在发布前修复问题。这并不意味着每个功能都能或应在固定的短时间内上线。

他不喜欢长时间的定期会议，并说团队缩短了例行绩效对话。他偏好仍亲自参与工作的领导者，并希望收到简短优先事项更新。这是他对 Speechify 文化的描述，可能对不同岗位和员工产生不同影响。

Weitzman 说，他希望员工指出阻碍并向领导者求助，而不是等待指示。他描述给予有才能的人更多责任，并相信鼓励可以帮助他们成长。他也承认，人们一开始没有成功时有时需要更多支持。

谈到融资，Weitzman 说 Speechify 在四年半内增长缓慢，到那时收入已超过 500 万美元。他列出早期投资人，但不披露融资总额或公司估值。数字和投资人名单来自他的描述，并非审计财务报表。

Weitzman 引用 Speechify 的大量用户、评价和市场份额数字，并说公司正推出企业业务。访谈中市场份额说法没有明确分母或独立核实的来源。他说比起公开融资信息，他更愿意讨论获客。

Weitzman 正面评价 Logan Paul，并说自己与他私交很好。他认为创作者的职业发展会在探索与利用之间转换，并举出娱乐、消费品和其他业务。评价反映个人关系，并没有独立核实这些业务的结果。

他建议 Stebbings 可以参与成熟节目、电视形式或借助图书发行网络触达新受众。他将此描述为利用大型机构的覆盖范围放大作品，同时承认独立建设也是一种选择。

Weitzman 回忆曾与 MrBeast 及其团队共度一段时间，观察拍摄和他们对视觉细节的关注。他认为，跨语言容易理解的简单概念、可重复的形式和审慎招聘有助于创作者触达受众。这些是个人观察，并非未来表现的证据。

被问及播放量变化时，他说 MrBeast 的团队也投入时间于直播、游戏和消费品。他看好其下一阶段，但讨论中的业绩数字和预测未经独立核实。

Weitzman 说，购买 Nvidia 杠杆期权的是他的弟弟 Tyler，而不是他本人；这一决定发生在他们寻求 GPU 的经历之后。他报告了很大收益，并说自己直接购买了 Nvidia 股票。这是自行报告的个人交易，并非可重复回报的证据；杠杆和期权既可能放大收益，也可能放大损失。

Weitzman 描述自己倾向在认为掌握别人可能缺少的背景信息时投资，而 Stebbings 强调在集中投资赢家之前先分散。两人侧重点不同。节目中的股票估值和增长预期是录制时的观点，并非当前价格或个性化投资指导。

谈到 AI 的能源需求，Weitzman 看好太阳能和最终的聚变，同时说自己不知道聚变何时能够实用。他对水电容量、太阳能效率和监管提出宽泛说法，但访谈没有提供证据。这些是个人观点，并非已经确立的极限或投资预测。

他将 SolarCity 作为一个例子，说明融资和获客与技术同样重要。他说公司安排长期融资，使安装成为可能。具体融资细节来自他的回忆，对话没有独立文件证实。

Weitzman 回到产品市场契合：他回忆观察用户如何使用 Speechify 的早期版本，并反复修复令人困惑的界面。他说自己在应用中设置了直接联系他的帮助按钮，并给离开的用户打电话。据他所说，这些反馈帮助了迭代。

他的经验是区分薄弱的实现方式和错误的核心想法，同时继续与用户交流并改善产品。他重视清晰的产品愿景，但说产品发布后分发仍然重要。坚持可能创造机会，但他的故事并不保证每个想法都能找到市场。

Stebbings 说，节目提供更短的音频剪辑和更完整的视频剪辑，因为音频可以剪得更精确。Weitzman 建议用工具同步不同版本。他们的交流展示了编辑取舍和一个尚未测试的产品建议。

Weitzman 讲述一次安全事件：他说漏洞让某人免费使用 Speechify 模型，但没有暴露用户数据。他说自己曾优先开发功能而非修复漏洞，并估计损失达数十万美元。事件范围和损失是他的说法，并非独立事件调查。

他说自己找到了涉及的年轻人，要求对方停止，随后先雇其处理个人项目，建立信任后再让其参与公司工作。这个故事是他对自身应对方式的轶事；它没有独立确定事实，也不是建议忽视安全责任。

被问到快速增长的消费 AI 公司时，Weitzman 说投资人应同时考察收入与推理成本。他回忆 Speechify 专注于降低重度使用的服务成本，并声称自家模型变得便宜得多。他给出的数字和比较未经验证，不同产品之间也未必可以直接比较。

他认为，有吸引力的产品可能快速增长，但大量收入流向模型供应商，因此毛利是重要问题。他也说增长、社区和产品差异化很重要。他对 Cursor 及其他公司经济状况的描述属于缺乏完整财务信息的解读。

Weitzman 认为，满足持续需求的产品可能比新奇产品更容易留住用户。他把 Speechify 与辅助工具比较，但访谈没有提供用户群或留存数据支持他关于用户不会流失的说法，不能将其视为普遍结果。

他预测 Apple 会构建竞争性听写产品，而不是收购另一家公司，并讨论自己遇到的平台限制。他对 Apple 领导层、计划和技术的看法属于观点及推测，并非已经核实的公告。

在假设估值相同的选择中，Weitzman 偏好 OpenAI，同时说自己目前更多使用 Anthropic 工具。他赞赏其领导力和分发能力，Stebbings 则质疑其中部分评价。这种比较是推测性偏好，并非有充分依据的投资建议或经过核实的估值。

Weitzman 回忆曾在资源有限的条件下为一个拟议中的 MrBeast 项目度过 11 天。他说视频最终没有完成，自己最初对制作问题感到怨怼。他的教训是在项目不顺利时也留意感恩与乐观；这段经历是他的个人视角。

这段经历也让他思考，没有手机或稳定资源时导航和办事有多困难。他说自己现在会给一些人购买手机，并认为公共项目应让人们更容易获得手机。这是基于短期个人体验的政策偏好，而非对无家可归问题的全面研究。

Weitzman 担心 AI 可能让经济收益更加集中，并说重新培训和教育很重要。他希望工具能促进更多创业，并设想成年人以新的方式重返教育。他承认自己不知道制度应如何设计，也不知道是否所有人都会采用工具。

他说，大学的友谊、开放课程和自主学习对他个人很有价值，他会鼓励孩子考虑上大学。他也收听有声书和 AI 生成的研究，并设想未来的教学智能体。这些愿景不能证明生成的教育材料准确。

被问到一项购买时，Weitzman 描述了自己的蛋白质补充剂和运动习惯。他对蛋白质摄入与吸收的说法是个人观点，并非营养证据或个性化健康建议。访谈没有评估这一习惯是否适合其他人。

Weitzman 描述自己如何在体操训练中寻找教练，以及使用工具生成锻炼想法。他还表达了对身体成分和营养的个人看法。关于 AI 评估和饮食数量的说法未经独立验证，不应当作健康评估。

展望未来，Weitzman 希望人们利用 AI 学习并以更强的自主性行动。他引用自己家庭的经历，同时承认人们也可能把决策交给工具。他最后的愿景是对技术使用方式的希望，并非技术能解决所有问题的证据。