對標(biāo)GPT-4o，科大訊飛正以大模型重塑語音產(chǎn)業(yè)

2024-09-02 16:58 來源：A5專欄我來投稿撤稿糾錯(cuò)

每個(gè)科技時(shí)代，都有每個(gè)時(shí)代的“入口”和“推手”。

在PC時(shí)代，瀏覽器和搜索引擎是主要入口，用戶通過鍵盤和鼠標(biāo)進(jìn)行交互。移動(dòng)互聯(lián)時(shí)代，APP和應(yīng)用商店成為典型入口，用戶用手指和觸摸屏進(jìn)入互聯(lián)網(wǎng)世界。而在眼下的AI時(shí)代，業(yè)內(nèi)已經(jīng)把語音交互當(dāng)做重要入口，它提供了一種更為豐富、自然和便捷的交互體驗(yàn)。

縱觀歷史，每一個(gè)抓住入口、推動(dòng)時(shí)代發(fā)展的企業(yè)，反過來也能掌握競爭主動(dòng)權(quán)，獲得長期發(fā)展動(dòng)力。比如，PC時(shí)代的谷歌，移動(dòng)互聯(lián)時(shí)代的蘋果等等。

因此，如今很多大廠都在圍繞語音交互展開深度布局，力圖搶占AI時(shí)代的戰(zhàn)略要地。其中，就國外和國內(nèi)而言，OpenAI和科大訊飛成為最受關(guān)注的兩家企業(yè)。

今年5月，OpenAI 發(fā)布GPT-4o，展現(xiàn)出更為強(qiáng)勁的語音交互能力。比如，更快的響應(yīng)速度、更自然的語音等等。但遺憾的是，GPT-4o目前還沒有向國內(nèi)用戶開放，大部分人無法親自感受各種體驗(yàn)。

很多人不知道的是，國內(nèi)的科大訊飛不僅做到了對標(biāo)GPT-4o的語音交互體驗(yàn)，而且還能讓人搶先體驗(yàn)。

今年8月19日，科大訊飛發(fā)布了星火極速超擬人交互技術(shù)，在響應(yīng)和打斷速度、情緒感知情感共鳴、語音可控表達(dá)、人設(shè)扮演四個(gè)方面實(shí)現(xiàn)巨大突破。這項(xiàng)技術(shù)將于今年8月底在訊飛星火App上全民開放使用，普通用戶也能親自感知。

在最近的科大訊飛2024年上半年業(yè)績說明會上，《一點(diǎn)財(cái)經(jīng)》觀察到科大訊飛董秘江濤親自演示星火極速超擬人交互技術(shù)，由此更直觀地看到了這項(xiàng)技術(shù)的操作體驗(yàn)。

不得不說，科大訊飛雖然在研發(fā)上大力投入，但在宣傳上的力度著實(shí)不夠。其實(shí)，這項(xiàng)技術(shù)能對行業(yè)變革產(chǎn)生深度影響。與此同時(shí)，科大訊也在積攢技術(shù)勢能，未來預(yù)計(jì)會釋放出強(qiáng)勁的發(fā)展動(dòng)能。

語音交互的“理想”與“現(xiàn)實(shí)”

2014年，一部講述人類與AI愛情的電影《Her》收獲了超高人氣，還獲得了奧斯卡最佳原創(chuàng)劇本獎(jiǎng)。

電影中，男主角西奧多的工作是給不善表達(dá)感情的人代寫情書。他有語音操控的隨身設(shè)備，能夠直接用語音輸入信件內(nèi)容、進(jìn)行打印等等。日常生活中，他還能通過語音收聽歌曲、接收郵件和新聞。

讓很多觀眾浮想聯(lián)翩的是，西奧多遇到了一個(gè)AI機(jī)器人“薩曼莎”，她擁有溫情的聲線，不僅非常體貼還很懂西奧多。在跟“薩曼莎”的長期語音交流中，西奧多墜入愛河，開始了一段“人機(jī)戀”。

十年以來，這部電影里的科幻場景不斷照進(jìn)現(xiàn)實(shí)，各種語音交互產(chǎn)品和技術(shù)持續(xù)迭代，豐富著用戶的語音交互體驗(yàn)。

不過，很多用戶還是感覺跟想象中的體驗(yàn)有落差。因?yàn)槭忻嫔险Z音交互技術(shù)普遍存在痛點(diǎn)，包括響應(yīng)遲鈍、難以共情、個(gè)性化不足、端點(diǎn)檢測困難等問題。

簡而言之，現(xiàn)在許多語音交互技術(shù)機(jī)器的味道還是太重，擬人的感覺不足，沒能提供足夠的情緒價(jià)值。這一方面導(dǎo)致用戶體驗(yàn)不佳，另一方面阻礙了行業(yè)發(fā)展，需要有企業(yè)來破除痛點(diǎn)，充當(dāng)行業(yè)發(fā)展的推手。

目前來看，科大訊飛就是一個(gè)重要的推手。其推出的星火極速超擬人交互技術(shù)在四個(gè)方面極大提升了用戶體驗(yàn)——“響應(yīng)和打斷速度、情緒感知情感共鳴、語音可控表達(dá)、人設(shè)扮演”，總結(jié)下來就是：

不僅在響應(yīng)上有速度，而且在情感上有溫度，能夠提供更多的情緒價(jià)值。

1、響應(yīng)上的速度

用戶進(jìn)行語音交互的過程中，都想獲得更快的響應(yīng)，達(dá)到“召之即來”的效果。并且在中途頻繁打斷的情況下，希望能夠迅速重新響應(yīng)。

然而，目前主流的語音交互應(yīng)用中，從用戶提出問題到應(yīng)用響應(yīng)大多需要2-2.5秒，會明顯感覺到停頓，中途打斷后響應(yīng)的時(shí)間更長，這就會影響用戶的交互節(jié)奏和智能體驗(yàn)。

而星火極速超擬人交互技術(shù)帶給人的首個(gè)感受就是“快”，其讓響應(yīng)時(shí)間縮短到了0.9秒，幾乎感覺不到停頓。另外，用戶還可以隨時(shí)打斷、插話，它依然能做到迅速響應(yīng)。

這意味著，通過星火極速超擬人交互技術(shù)，用戶可以獲得更加貼近日常對話的現(xiàn)實(shí)體驗(yàn)。

2、情感上的溫度

在語音交互過程中，如果能夠及時(shí)響應(yīng)，但回應(yīng)的卻是冷冰冰的話語，用戶的交互欲望和熱情必然會降低，因?yàn)闆]有人愿意面對一個(gè)沒有溫度的機(jī)器。

傳統(tǒng)指令型語音技術(shù)，只能通過對某些特定發(fā)音的識別給出響應(yīng)，情緒感知能力不足，而星火極速超擬人交互技術(shù)進(jìn)行了明顯的提升。其不僅能夠根據(jù)語音判斷用戶情緒，包括高興、悲傷、生氣、害怕等等，還能識別咳嗽、寵物叫聲等非語言信號，跟用戶之間產(chǎn)生更深層次的情感共鳴。

如果只能分別情緒，不能情緒化地回應(yīng)，用戶的感知度也不會很明顯。星火極速超擬人交互技術(shù)在表達(dá)方式上更加靈活，可以根據(jù)用戶的指令控制數(shù)十種情感、風(fēng)格、方言，甚至自動(dòng)調(diào)節(jié)語速、語氣和情緒，讓對話更有溫度從而直入人心。

另外，星火極速超擬人交互還有一個(gè)優(yōu)勢就是能夠“選角色”，其支持多種人設(shè)的任意切換，用戶可以與孫悟空、蠟筆小新、小豬佩奇等角色進(jìn)行互動(dòng)，感受到跟不同角色對話的樂趣。

可以說，以往的語音交互技術(shù)體驗(yàn)起來更像機(jī)器，而星火極速超擬人交互更像人類，大大提升了用戶體驗(yàn)。這種進(jìn)化背后，在于科大訊飛進(jìn)行了長期的技術(shù)研發(fā)和積累。

語音交互進(jìn)化史：技術(shù)才是硬道理

語音交互進(jìn)化史，就是一部技術(shù)迭代史。

最早的語音交互技術(shù)，可以追溯到上世紀(jì)60年代。當(dāng)時(shí)的語音交互技術(shù)主要基于規(guī)則，也就是將語音按照語法等規(guī)則進(jìn)行分析和生成，然后根據(jù)設(shè)定好的語句進(jìn)行回應(yīng)。

這種方法的智能度和靈活度都很低，只能進(jìn)行某些特定任務(wù)，比如查詢天氣、訂票等，稍微復(fù)雜一些的指令就無法操作。

上世紀(jì)90年代，語音交互技術(shù)進(jìn)入新的階段，也就是基于統(tǒng)計(jì)模型。這種方法不再依賴于固定規(guī)則，而是利用概率論建立交互模型，根據(jù)上下文生成最合適的回應(yīng)。這種方法相對可以處理更多指令，也能適應(yīng)不同的場景需求。

2006年，隨著深度學(xué)習(xí)技術(shù)興起，語音交互技術(shù)有了質(zhì)的飛躍，可以自動(dòng)學(xué)習(xí)語音信號的復(fù)雜特征，從而進(jìn)入DNN（深度神經(jīng)網(wǎng)絡(luò)）時(shí)代。比如，RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）是一種能夠處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。它具有長期記憶能力，可以用于處理連續(xù)的語音特征，從而提高識別準(zhǔn)確率。

此后，語音交互技術(shù)在持續(xù)進(jìn)化，比如CNN（卷積神經(jīng)網(wǎng)絡(luò)）、DFCNN（深度全序列卷積神經(jīng)網(wǎng)絡(luò)）等等，用戶體驗(yàn)也在持續(xù)升級。在技術(shù)進(jìn)化浪潮中，科大訊飛一直站在潮頭浪尖。

早在2012年，科大訊飛就將BN-feature和NDD-HMM兩套深度學(xué)習(xí)方案上線了訊飛輸入法和語音開放平臺，由此成為國內(nèi)首個(gè)上線深度學(xué)習(xí)語音識別商業(yè)系統(tǒng)的機(jī)構(gòu)，將實(shí)際場景中語音識別的準(zhǔn)確率從60%提升到了88%左右。

到現(xiàn)在，星火極速超擬人交互采用的是統(tǒng)一神經(jīng)網(wǎng)絡(luò)，直接實(shí)現(xiàn)語音到語音端到端建模，這是一種被驗(yàn)證為能力更強(qiáng)的技術(shù)方案。

因?yàn)閭鹘y(tǒng)的語音識別系統(tǒng)一般由多個(gè)模塊組成，包括聲學(xué)模型、語言模型和發(fā)音詞典等。而端到端建模將這些模塊合并為一個(gè)整體，實(shí)現(xiàn)了原始語音信號到最終文本的直接映射，這就給語音交互帶來了許多提升。

首先，端到端建模簡化了傳統(tǒng)語音識別系統(tǒng)的復(fù)雜度、減少了模塊之間的集成難度。其次，它可以更好地外理語音信號中的噪聲和變異，提高了系統(tǒng)的魯棒性，即抵御外界干擾和保持穩(wěn)定的能力。此外，它還具有更快的訓(xùn)練和推理速度，適用于實(shí)時(shí)場景。

星火極速超擬人交互的技術(shù)優(yōu)勢背后，在于科大訊飛持續(xù)進(jìn)行研發(fā)投入和積累。

根據(jù)科大訊飛最新發(fā)布的2024年上半年財(cái)報(bào)，報(bào)告期內(nèi)其營收93.25億元，比上年同期增長18.91%。值得注意的是，公司研發(fā)投入21.9億元，同比增長32.23%，占營收比重達(dá)23.5%。

在企業(yè)發(fā)展因子中，營銷、宣傳等淺層次的是“快變量”。短期內(nèi)，它們能夠發(fā)揮一時(shí)的成效，但也會呈現(xiàn)不穩(wěn)定和低門檻的特征。

深層次則是“慢變量”，比如技術(shù)、研發(fā)等等。它們前期需要大量的投入，就像推動(dòng)一個(gè)靜止的輪子，投入到一定程度后輪子會越轉(zhuǎn)越快，從而迸發(fā)出“飛輪效應(yīng)”，最終轉(zhuǎn)化為出色的技術(shù)和產(chǎn)品以及堅(jiān)固的護(hù)城河。此次，科大訊飛推出星火極速超擬人交互技術(shù)就是一個(gè)典型。有時(shí)候，“慢”反而意味著“快”。

其實(shí)，星火極速超擬人交互技術(shù)背后的大模型能力，同樣具備龐大的想象空間。

眺望未來：大模型重塑語音產(chǎn)業(yè)

如今，“大模型+”就像當(dāng)年的“互聯(lián)網(wǎng)+”給與市場無限想象力。

在大模型的熱風(fēng)之下，許多產(chǎn)業(yè)都值得被重塑一遍，其中就包括汽車、機(jī)器人、消費(fèi)電子、家電等領(lǐng)域。在大模型落地方面，科大訊飛通過星火大模型云邊端一體化、軟硬件一體化的全場景布局，這讓其能夠滿足多個(gè)復(fù)雜場景對大模型的需求，進(jìn)而摘取多元的產(chǎn)業(yè)紅利。

先說汽車領(lǐng)域。今年上半年，中國汽車產(chǎn)銷量分別達(dá)1389.1萬輛和1404.7萬輛，依然保持全球第一。出口總量達(dá)348萬輛，同比增長25%，火熱態(tài)勢依舊。目前，中國汽車出海十強(qiáng)企業(yè)中，有8家企業(yè)和科大訊飛合作。未來，汽車的趨勢必然是智能化。而大模型的賦能，可以提升智能座艙、智能駕駛等多個(gè)方面的用戶體驗(yàn)，助力中國汽車產(chǎn)業(yè)的增長。

比如，自2011年科大訊飛率先完成汽車語音國產(chǎn)化，車載語音已經(jīng)成為中國汽車市場的標(biāo)配，但在海外仍受制于單一語種的制約。今年星火語音大模型發(fā)布72個(gè)語種/方言免切換對話，并通過云邊端及軟硬一體化解決方案可以大大提升智能座艙體驗(yàn)。另外，科大訊飛還研發(fā)出基于星火大模型的用車助手，能夠?qū)崟r(shí)監(jiān)測理解車輛狀況，精準(zhǔn)解答用戶對用車的問題。

科大訊飛方面透露，公司汽車智能化產(chǎn)品合作已覆蓋90%以上的中國主流自主品牌和合資品牌車廠。最新財(cái)報(bào)顯示，科大訊飛汽車業(yè)務(wù)也延續(xù)了強(qiáng)勁的增長勢頭，上半年實(shí)現(xiàn)營收3.5億元，同比增長65.49%。

跟汽車一樣，機(jī)器人同樣是未來的重要趨勢。

尤其是人形機(jī)器人的前景非?？捎^，據(jù)《人形機(jī)器人產(chǎn)業(yè)研究報(bào)告》預(yù)測，2024年中國人形機(jī)器人市場規(guī)模將達(dá)到約27.6億元，到2029年達(dá)到750億元，將占世界總量的32.7%，占比位居世界第一。

大模型的思維鏈推理能力，能夠明顯提升機(jī)器人對于復(fù)雜任務(wù)的理解能力，并提供符合常識的任務(wù)拆解與規(guī)劃。尤其是具身感知模型與具身決策模型的結(jié)合，能夠進(jìn)一步提升人形機(jī)器人在真實(shí)場景下的多模態(tài)感知與理解能力。

在復(fù)雜任務(wù)拆解、開放場景物體識別、多模態(tài)感知與理解等方面，星火大模型明顯提升了人形機(jī)器人的智能水平。在最近的在2024世界機(jī)器人大會，科大訊飛亮相了“大模型+具身智能”的人形機(jī)器人最新進(jìn)展：

整體運(yùn)動(dòng)性能提升2倍，復(fù)雜任務(wù)拆解成功率超過95%，交互能力、運(yùn)動(dòng)性能進(jìn)一步提升。

另外在產(chǎn)業(yè)賦能上，訊飛機(jī)器人超腦平臺已賦能420家機(jī)器人企業(yè)，深度鏈接1.5萬機(jī)器人開發(fā)者，與優(yōu)必選、宇樹科技、智元機(jī)器人、銀河通用等人形機(jī)器人企業(yè)形成廣泛合作，未來預(yù)計(jì)有著充足的想象空間和強(qiáng)勁的產(chǎn)業(yè)推動(dòng)力。

除了機(jī)器人，大模型浪潮也正在向消費(fèi)電子終端和家電領(lǐng)域蔓延。

包括智能手機(jī)、智能辦公本、學(xué)習(xí)機(jī)等在內(nèi)的消費(fèi)電子終端的規(guī)模非常龐大，《2024年數(shù)字經(jīng)濟(jì)報(bào)告》顯示到2029年全球物聯(lián)網(wǎng)設(shè)備數(shù)量將增至390億部。如果用大模型讓每臺終端都變得更智能，從而提升用戶體驗(yàn)，也能創(chuàng)造更大的市場空間。中商產(chǎn)業(yè)研究院預(yù)測，2023年中國智能硬件市場規(guī)模將達(dá)到14031億元，預(yù)計(jì)2024年增至達(dá)15033億元。

以科大訊飛智能辦公本X3為例，其搭載了最新的訊飛星火智能技術(shù)，實(shí)現(xiàn)語音轉(zhuǎn)文字、智能筆記整理、多語種翻譯等高效辦公功能。用戶只需簡單操作，就能將會議內(nèi)容、演講要點(diǎn)等語音信息實(shí)時(shí)轉(zhuǎn)化為文字記錄。這不僅大大提高了用戶工作效率，也助力了科大訊飛智能硬件業(yè)務(wù)的增長。根據(jù)最新發(fā)布的2024年半年報(bào)，科大訊飛智能硬件業(yè)務(wù)實(shí)現(xiàn)營收9億元，同比增長56.61%，增速遠(yuǎn)超行業(yè)平均水平。

隨著新一輪以舊換新熱潮來襲，家電市場也迎來新的市場增量。而家電與大模型的結(jié)合，能夠?yàn)橛脩魟?chuàng)造更智慧的家居生活，也能為家電廠商、技術(shù)提供商帶來新的增長點(diǎn)。

比如，搭載訊飛星火認(rèn)知大模型的電視語音助手將升級為全能的家庭中心，能夠輕松應(yīng)對日程管理、智能家居控制等操作，也能讓孩子跟電視語音助手直接對話，練習(xí)口語、獲取知識等等，打造出新的教育場景。三星就結(jié)合訊飛星火認(rèn)知大模型的能力，讓電視語音助手具備深層次理解、內(nèi)容生成和知識問答等能力，極大提升了用戶體驗(yàn)。

如今，星火大模型正成為教育、醫(yī)療、能源、汽車、家電、機(jī)器人等多個(gè)重要領(lǐng)域落地的首選。其不僅為AI時(shí)代的入口探索出更多可能性，也在結(jié)合實(shí)際場景進(jìn)行應(yīng)用落地，為用戶真正帶來技術(shù)紅利，為企業(yè)創(chuàng)造經(jīng)濟(jì)效益，其本身也能夠獲得發(fā)展動(dòng)能。