OpenAI的「Her」還是期貨,訊飛星火版「Her」就搶先上線了!不僅極速響應(yīng)自由打斷,還情緒價(jià)值拉滿,各種情感、風(fēng)格、方言隨意切換。熊二被召喚出來的時(shí)候,家里的熊孩子直接被硬控了30秒。
就在昨天,人類與機(jī)器的對(duì)話方式,全面升級(jí)了!
我們?cè)谑褂靡环螅芍^是大開眼界。
比如,讓它用天津話講段相聲。
您別說,這味兒可太對(duì)了!
敲黑板:作為國(guó)內(nèi)首個(gè)「極速超擬人交互」,這款訊飛星火版的「Her」,已經(jīng)全民開放體驗(yàn)了!
只要下載訊飛星火APP,即可體驗(yàn)對(duì)標(biāo)GPT-4o的超自然AI語音助手。
目錄中
星火對(duì)話中
實(shí)測(cè)驚艷
要知道,傳統(tǒng)的語音交互,一直面臨著三大挑戰(zhàn):準(zhǔn)確理解說話人意圖;生成恰當(dāng)響應(yīng);高效通過聲音傳達(dá)信息。
以往的語音交互,一直無法擺脫滿滿的智障味兒,就是因?yàn)檫@些環(huán)節(jié)中的延遲,大大拉低了用戶體驗(yàn)。
而這一次,人機(jī)之間的交互,將如真人般自然流暢。
那么問題來了,所謂的「超擬人」到底有多擬人?
直觀感受是:我們也有自己的「GPT-4o」了!極速響應(yīng),自由打斷
此前,我們見到的語音AI,總是給人感覺不太聰明的樣子。
如果忽然打斷它,它就瞬間蒙圈了,要么接不上來,要么就開始「已讀亂回」。
但這次的小星,模型響應(yīng)的快速和流暢度讓人眼前一亮。
即使隨時(shí)打斷、插話,小星依舊能做到秒回,這個(gè)快速反應(yīng)能力,讓我們的觀感仿佛真人一般。
比如,我們拿前段時(shí)間的全球大熱點(diǎn)——巴黎奧運(yùn)會(huì)考一考小星:「中國(guó)隊(duì)在巴黎奧運(yùn)會(huì)上獎(jiǎng)牌總數(shù)排行第幾?」
小星瞬間回復(fù),而且在搜索過程中還使用了「讓我來數(shù)一數(shù)」這種流暢的過渡方式,讓交互過程更加自然。
可能是搜索結(jié)果太過全面,小星不僅把金銀銅牌的總數(shù)都說了出來,還開始總結(jié)中國(guó)隊(duì)的優(yōu)勢(shì)項(xiàng)目。
巴黎奧運(yùn)會(huì),新智元,38秒
可以感覺到,整個(gè)語音交流的過程中非常順暢,非常自然,即使隨時(shí)打斷它,它都能立刻給出正確的反應(yīng),而不是跟一個(gè)「人工智障」在對(duì)話,這個(gè)感覺真是太~爽~了~
不僅如此,小星「緊跟熱點(diǎn)」的能力也是相當(dāng)令人滿意。
十一調(diào)休安排過于混亂?只要問一句,它就能給你解釋得明明白白——
放假,新智元,20秒
之所以模型的響應(yīng)如此之快,如此之流暢,是因?yàn)樗捎玫氖墙y(tǒng)一神經(jīng)網(wǎng)絡(luò),直接實(shí)現(xiàn)了語音到語音的端到端建模。 情緒價(jià)值拉滿,情商秒殺部分人類
第二個(gè)非常鮮明的特點(diǎn)是,小星對(duì)情緒的感知,實(shí)在是太敏銳了。
無論是高興、悲傷、生氣、害怕,我們?cè)捴械那榫w,它都能立刻識(shí)別出來,敏銳地和你的情緒產(chǎn)生共鳴。
然后,它會(huì)自動(dòng)把你代入符合情境的對(duì)話,然后用合適的情緒語氣,進(jìn)行貼心的回復(fù)。
可以說,簡(jiǎn)直秒殺了部分人類。
要上臺(tái)演講了,看著臺(tái)下的幾百個(gè)觀眾,緊張得手直抖,不用怕,小星來貼心地安慰你。
「我從未見過如此厚顏無恥之人」的網(wǎng)絡(luò)熱梗,它都知道,識(shí)別出這句話中的情緒,自然也是不在話下。
厚顏無恥,新智元,29秒
然后,我們還能讓它用開心/沮喪/搞怪的方式來描述一下今天的天氣。
你見過有帶著哭腔念出的「全天多云」嗎?
天氣,新智元,39秒
其實(shí),從日常的交流中也可以感受到小星的豐富情緒。
比如沒有聽清問題時(shí)會(huì)不好意思地微笑,平時(shí)交流時(shí)始終情緒高漲、語氣上揚(yáng),但察覺到你的消極情緒時(shí),語氣又會(huì)變得十分關(guān)切柔和,情緒價(jià)值給得相當(dāng)?shù)轿弧?/p>
注意,它并不是簡(jiǎn)單地通過語音文本來進(jìn)行情緒的判斷,而是針對(duì)復(fù)雜場(chǎng)景下的語音識(shí)別效果做了提升,因而能夠感知數(shù)十種情緒。 表達(dá)方式隨心控,情感、風(fēng)格、方言都不在話下
在交流中,小星可以跟隨你的指令,控制數(shù)十種情感、風(fēng)格、方言,還可以變換語速。
比如,讓它開心地給我們講一段睡前故事。
好聽,但是還能更夸張一點(diǎn)嗎?完全可以!
而且,這個(gè)小狐貍和月亮的故事,充滿詩意和淡淡的傷感,還懸念十足,聽到最后我們都為小狐貍的堅(jiān)持而感動(dòng)。
誒,暑假哄娃神器,這不就來了嘛。
我們還能讓它用主持人的口氣,給咱們讀一篇文章。不得不說,小星的朗誦十分有感染力,值得鼓掌!
如果你厭倦了同一種語調(diào),還可以讓小星大展身手——扮演東北大哥給你來段相聲。
聽完之后,沒忍住吐槽了一句:就這?
您猜怎么著,小星竟然絲滑地接過了話茬。這體驗(yàn)也太類人了,仿佛手機(jī)里真住了個(gè)大哥。
小星說起天津話來,也是妥妥的喜劇人一枚,那是相當(dāng)干哏倔脆、調(diào)皮搗蛋。
跟悟空聊西游,百變?nèi)嗽O(shè)任意切換
小星的超擬人交互,還擁有百變?nèi)嗽O(shè),一不小心就被挖掘出「戲精」的一面。
孫悟空、蠟筆小新、小豬佩奇……多種角色的音色、語氣,它都模仿得惟妙惟肖,甚至還能模仿他們的人設(shè)和你聊天。
只需要一句簡(jiǎn)單的指令:「扮演XX和我對(duì)話」,就能隨時(shí)和它來一場(chǎng)「語音cosplay」了。
只要幾句話,我們就召喚出孫悟空了。
那就讓我們問一下,取經(jīng)過程中最難忘的一件事?
看來,白骨精著實(shí)給了他不小的陰影。
下一秒,小星就林妹妹上身,「三分柔弱兩分溫柔四分譏誚一分氣惱」的feel,拿捏得是十分到位。
被問到「在大觀園中最喜歡和誰一起玩」時(shí),黛玉的回答是薛寶釵和史湘云。
聽,小星模仿起熊二的聲音和語氣簡(jiǎn)直是惟妙惟肖,瞬間從陽光開朗大男孩變成了一只愛吃蜂蜜的傻萌棕熊,回答問題時(shí)也全程在人設(shè)內(nèi),完全不會(huì)OOC。
另外,我們還發(fā)現(xiàn),小星回答問題的知識(shí)水平也令人刮目相看。難怪許多人沉迷和AI「談戀愛」,有「智性戀」那味兒了。
無聊時(shí),可以喚醒它來和你玩兒一段成語接龍解悶——
讓它解釋物理學(xué)概念「胡克定律」和「能量守恒定律」,小星依舊能做到「秒回」。
而且絕不僅是機(jī)械地背概念,而是結(jié)合彈簧、陀螺這種生活中的例子向你繪聲繪色地解釋,還會(huì)生動(dòng)地把能量守恒定律比作「大自然的記賬本」。
端到端新模型,讓交互快如閃電
相較以往的語音交互,此次的訊飛星火極速超擬人交互,有何不同?
傳統(tǒng)語音交互系統(tǒng),若要實(shí)現(xiàn)和人的對(duì)話,一般需要通過語音識(shí)別——自然語言理解——自然語言生成,這三步來實(shí)現(xiàn)。具體來說:
第一步,需要通過語音系統(tǒng),將語音轉(zhuǎn)換為文字;
第二步,利用大模型生成回復(fù)的文本;
第三步,再用語音合成系統(tǒng),轉(zhuǎn)換成語音。
此前,英偉達(dá)高級(jí)科學(xué)家Jim Fan曾表示,這也是讓Siri/Alexa交互能力,提升10倍速的秘訣。
他利用當(dāng)前先進(jìn)的AI語音系統(tǒng)Whisper、大模型ChatGPT、以及語音合成技術(shù)VALL-E,重述了這一過程。
不過,這一過程需要三個(gè)獨(dú)立管道串聯(lián)才可實(shí)現(xiàn),因此會(huì)帶來響應(yīng)延遲,至少需要3秒左右。
另一方面,語音轉(zhuǎn)文字再轉(zhuǎn)語音的過程中,我們語音中的情感、副語言信息,甚至是環(huán)境信息都會(huì)丟失。
這樣一來,導(dǎo)致語音交互系統(tǒng),只能針對(duì)轉(zhuǎn)換之后的文本信息進(jìn)行回應(yīng),不能有效靈活地做出應(yīng)答。
由此,基于以上問題,科大訊飛提出了極速超擬人語音交互框架——一個(gè)端到端跨文本、音頻模型的新模型。
雖然模型內(nèi)部劃分了多個(gè)模塊,但仍是一個(gè)「統(tǒng)一模型」。
用戶語音通過音頻編碼器模塊,編碼成音頻表征,然后通過適配器,將其與文本的語義表征對(duì)齊。
再通過多模態(tài)大模型,去預(yù)測(cè)生成表征,最后通過音頻解碼器得到語音。
相較于傳統(tǒng)語音交互系統(tǒng),端到端統(tǒng)一模型以知識(shí)對(duì)齊表征方式,讓信息在各個(gè)模塊之間傳遞。
這意味著,同一個(gè)神經(jīng)網(wǎng)絡(luò)直接實(shí)現(xiàn)語音-語音的建模,輸入和輸出皆由相同神經(jīng)網(wǎng)絡(luò)處理,大大縮短了對(duì)話響應(yīng)時(shí)間。
同時(shí),音頻中的情感、環(huán)境中信息,它都可以沒有損失地進(jìn)行傳遞。
從上面實(shí)測(cè)例子能夠深刻感知,人類和AI互動(dòng)終于從你一句、我一句的「聊天軟件模式」,切換到對(duì)答如流的「日常交流模式」。
不僅如此,整個(gè)系統(tǒng)的信息實(shí)現(xiàn)了無損貫穿,讓交互更加擬人化、豐富流暢。 核心:語音屬性解耦表征
若說極速超擬人語音交互最大的不同,就是訊飛開發(fā)了一種特殊的語音訓(xùn)練方法——多維度語音屬性解耦表征訓(xùn)練。
它能夠?qū)⒄Z音的不同屬性分開處理,比如語種、內(nèi)容、韻律、音色。
要知道,語音中的所有屬性都是耦合在一起的,比如你說話的情緒和吐出的內(nèi)容,是密不可分的。
那么,如何將這些表征分開,如何確保它在下游任務(wù)中充分利用,對(duì)解耦能力提出了更高的要求。
對(duì)此,訊飛團(tuán)隊(duì)做了很多對(duì)比loss學(xué)習(xí),以及研發(fā)預(yù)測(cè)自監(jiān)督學(xué)習(xí)等一些方案。
不過需要提一句,這里并非說,必須把所有表征信息徹底分開。這就需要把握一個(gè)度,在TTS中就可以控制的更好。
這種方法,能夠讓不同語音樣本之間,實(shí)現(xiàn)更好的學(xué)習(xí)效果。
另外,它還能更靈活地控制內(nèi)容、音色、情感等元素,滿足不同場(chǎng)景和需求。甚至,通過更便捷的相關(guān)定制,可加速落地過程。
雖然OpenAI版Her還未全面開放,但訊飛版Her已經(jīng)完全開放使用了。
20億終端或被顛覆
語音交互是人機(jī)交互的一個(gè)子集,也是萬物互聯(lián)最自然的一個(gè)交互方式。
從歷史上看,人機(jī)語音交互經(jīng)歷了幾個(gè)重要的發(fā)展階段。
第一個(gè)里程碑便是,以Siri語音助手為代表云端語音助手的出現(xiàn),標(biāo)志著語義交互技術(shù)的一大突破。
這是基于語音單點(diǎn)技術(shù)的進(jìn)步,通過將這些技術(shù)巧妙地結(jié)合,語音助手能夠?qū)W⒂趫?zhí)行基本的指令控制功能。
比如,設(shè)置鬧鐘、查詢天氣、播放音樂等等。
第二階段是以「智能音箱」為代表的產(chǎn)品,得益于麥克風(fēng)陣列處理技術(shù)改進(jìn),以及遠(yuǎn)場(chǎng)語音識(shí)別能力的提升,使得設(shè)備交互可以在很遠(yuǎn)的距離進(jìn)行,比如家庭環(huán)境。
到了第三階段,便是以智能汽車語音助手為代表的交互,多音區(qū)技術(shù)、云端意圖識(shí)別等技術(shù)發(fā)展,實(shí)現(xiàn)了多人復(fù)雜指令控制。
最后一階段,就是以ChatGPT發(fā)布為起點(diǎn),開創(chuàng)的全新語音對(duì)話的新范式。
這一次,訊飛語音交互系統(tǒng)的升級(jí),帶來的更快響應(yīng)、更懂情緒、更加靈活、更加百變的優(yōu)勢(shì),足以重寫整個(gè)語音交互市場(chǎng)。
2023全球數(shù)字經(jīng)濟(jì)大會(huì)上,來自工信部數(shù)據(jù)顯示,截止去年5月,我國(guó)移動(dòng)物聯(lián)網(wǎng)終端用戶超過20.5億。
而從產(chǎn)業(yè)發(fā)展來看,智能語音正迎來應(yīng)用突破、產(chǎn)業(yè)擴(kuò)展的黃金期。
據(jù)IDC分析,預(yù)計(jì)到2030年,全球智能語音服務(wù)市場(chǎng)規(guī)模將達(dá)約731.6億美元,復(fù)合增長(zhǎng)率27%。
國(guó)內(nèi)外科技公司看準(zhǔn)這片藍(lán)海,紛紛入局開發(fā),掀起了新一輪人機(jī)交互革命。
不光GPT-4o的語音功能還在內(nèi)測(cè);谷歌宣發(fā)的Gemini Live,也僅面向高級(jí)訂閱用戶使用。
反觀國(guó)內(nèi),鮮有大廠能夠站出,以匹敵OpenAI版Her產(chǎn)品的姿態(tài),與之進(jìn)行正面競(jìng)爭(zhēng)。
憑借語音起家的科大訊飛,是其中最強(qiáng)悍的挑戰(zhàn)者之一。
這是因?yàn),訊飛星火大模型在不斷迭代過程中,逼近國(guó)際領(lǐng)先水平。
今年1月,訊飛星火V3.5發(fā)布,歷經(jīng)5個(gè)月的時(shí)間,再次迭代至V4.0版本,整體能力超越OpenAI的GPT-4Turbo。
同在1月,訊飛還首發(fā)了語音大模型,實(shí)現(xiàn)首批37個(gè)主流語種語音識(shí)別效果超過OpenAI Whisper V3。
基于訊飛全球領(lǐng)先的多語種語音技術(shù),語音大模型隨后再度升級(jí),支持74種語言方言免切換輸入。
時(shí)隔1個(gè)月,訊飛在極速超擬人交互上取得的技術(shù)突破,足夠讓終端設(shè)備實(shí)現(xiàn)「無感迭代」。
設(shè)想一下,當(dāng)你有了這樣的設(shè)備,不僅手握百科全書,還擁有了一個(gè)得力的助手、最親密的伙伴/朋友。 未來三大計(jì)劃,讓AI交互走進(jìn)更多場(chǎng)景
科大訊飛表示,基于全新端到端框架,未來新系統(tǒng)還會(huì)朝著三大方向去拓展:更多模態(tài)、更多語言、更好體驗(yàn),帶來更實(shí)用、更豐富的功能。
這也代表著國(guó)產(chǎn)大模型如今早已從追趕、對(duì)標(biāo),快進(jìn)到了自主創(chuàng)新的差異化之路。
不僅如此,訊飛還要雙管齊下,加速極速超擬人交互落地,便是下一個(gè)需要瞄準(zhǔn)的方向。
一項(xiàng)技術(shù)只有落地了,才能彰顯它的價(jià)值。
未來,訊飛可能會(huì)布局情感陪伴場(chǎng)景,將極速超擬人交互集成到兒童機(jī)器人中,又或是賦予在線IP能夠感知用戶情緒的能力。
另外,便是在智慧汽車、智慧家電等方面大規(guī)模開拓應(yīng)用。
這一技術(shù)的應(yīng)用和普及,還隱藏著巨大的可能性——語音市場(chǎng)在這個(gè)時(shí)代將被改寫,語音交互帶動(dòng)萬物互聯(lián)的第六次產(chǎn)業(yè)浪潮,有望出現(xiàn)一次井噴。
智能語音技術(shù),將進(jìn)一步應(yīng)用到智能手機(jī)、智能汽車、智能家電以及智能家居等產(chǎn)品中。
據(jù)IDC分析,到2030年,全球智能語音服務(wù)市場(chǎng)規(guī)模將達(dá)約731.6億美元,復(fù)合增長(zhǎng)率27%?拼笥嶏w,有望收獲這一輪產(chǎn)業(yè)紅利。
中國(guó)AI語音的ChatGPT時(shí)刻,指日可待。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
2024年的Adobe MAX 2024發(fā)布會(huì)上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡(jiǎn)直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析專題論壇在沈陽成功舉辦。