亞馬遜發(fā)布了名為 Nova Sonic 的新一代生成式 AI 模型，該模型能夠原生處理語(yǔ)音并生成自然流暢的語(yǔ)音。據(jù)亞馬遜聲稱，Nova Sonic 在速度、語(yǔ)音識(shí)別以及對(duì)話質(zhì)量等關(guān)鍵指標(biāo)的基準(zhǔn)測(cè)試中，表現(xiàn)可與 OpenAI 和谷歌的前沿語(yǔ)音模型相媲美。
Nova Sonic 的問世是亞馬遜對(duì)新興 AI 語(yǔ)音模型的有力回應(yīng)，例如為 ChatGPT 語(yǔ)音模式提供支持的模型，相較于亞馬遜早期的 Alexa 等較為刻板的模型，這些新模型在語(yǔ)音交互時(shí)更加自然。
Nova Sonic 通過亞馬遜的 Bedrock 開發(fā)者平臺(tái)提供給用戶，該平臺(tái)是用于構(gòu)建企業(yè)級(jí) AI 應(yīng)用的工具，Nova Sonic 則通過一個(gè)全新的雙向流式 API 進(jìn)行接入。在一份新聞稿中，亞馬遜稱 Nova Sonic 是市場(chǎng)上“最具成本效益”的 AI 語(yǔ)音模型，其價(jià)格比 OpenAI 的 GPT-4o 便宜約 80%。
據(jù)亞馬遜高級(jí)副總裁兼人工通用智能（AGI）部門首席科學(xué)家羅希特 普拉薩德介紹，Nova Sonic 的部分組件已經(jīng)為亞馬遜升級(jí)版數(shù)字語(yǔ)音助手 Alexa+ 提供了動(dòng)力支持。
普拉薩德表示，與競(jìng)爭(zhēng)對(duì)手的 AI 語(yǔ)音模型相比，Nova Sonic 在將用戶請(qǐng)求路由到不同 API 方面表現(xiàn)出色。這一能力使得 Nova Sonic 能夠知曉何時(shí)需要從互聯(lián)網(wǎng)獲取實(shí)時(shí)信息、解析專有數(shù)據(jù)源，或者在外部應(yīng)用程序中采取行動(dòng)，并使用合適的工具來(lái)完成任務(wù)。
在雙向?qū)υ捴�，Nova Sonic 會(huì)等待“合適的時(shí)機(jī)”發(fā)言，會(huì)考慮到說(shuō)話者的停頓和打斷等情況。此外，Nova Sonic 還能夠?yàn)橛脩舻恼Z(yǔ)音生成文本記錄，開發(fā)者可以將這些文本用于各種應(yīng)用場(chǎng)景。
據(jù)普拉薩德介紹，Nova Sonic 在語(yǔ)音識(shí)別錯(cuò)誤方面比其他 AI 語(yǔ)音模型更少，這意味著該模型即使在用戶咕噥、說(shuō)錯(cuò)話或者處于嘈雜環(huán)境中時(shí)，也相對(duì)擅長(zhǎng)理解用戶的意圖。在一項(xiàng)衡量跨語(yǔ)言和方言的語(yǔ)音識(shí)別基準(zhǔn)測(cè)試 —— 多語(yǔ)言 LibriSpeech 中，亞馬遜表示 Nova Sonic 在英語(yǔ)、法語(yǔ)、意大利語(yǔ)、德語(yǔ)和西班牙語(yǔ)上的平均單詞錯(cuò)誤率（WER）僅為 4.2%。也就是說(shuō)，在這些語(yǔ)言中，該模型每 100 個(gè)單詞中大約有 4 個(gè)與人工轉(zhuǎn)錄的結(jié)果不同。
IT之家注意到，在另一項(xiàng)衡量多人參與的高音量互動(dòng)的基準(zhǔn)測(cè)試 —— 增強(qiáng)多方互動(dòng)中，亞馬遜稱 Nova Sonic 在單詞錯(cuò)誤率方面比 OpenAI 的 GPT-4o-transcribe 模型準(zhǔn)確率高出 46.7%。Nova Sonic 還擁有行業(yè)領(lǐng)先的速度，其平均感知延遲為 1.09 秒，亞馬遜表示。這一速度比為 OpenAI 的實(shí)時(shí) API 提供動(dòng)力的 GPT-4o 模型更快，后者響應(yīng)時(shí)間為 1.18 秒，這是根據(jù)人工分析的基準(zhǔn)測(cè)試結(jié)果得出的。
普拉薩德稱，Nova Sonic 是亞馬遜構(gòu)建人工通用智能（AGI）這一更廣泛戰(zhàn)略的一部分，公司定義 AGI 為“能夠在計(jì)算機(jī)上完成人類所能做的一切事情的 AI 系統(tǒng)”。展望未來(lái)，普拉薩德表示，亞馬遜計(jì)劃推出更多能夠理解不同模態(tài)（包括圖像、視頻和語(yǔ)音）的 AI 模型，以及“其他在將事物引入物理世界時(shí)相關(guān)的感官數(shù)據(jù)”。
由普拉薩德負(fù)責(zé)的亞馬遜 AGI 部門，如今似乎在公司產(chǎn)品戰(zhàn)略中扮演著越來(lái)越重要的角色。就在上周，亞馬遜剛剛推出了 Nova Act 的預(yù)覽版，這是一個(gè)使用瀏覽器的 AI 模型，似乎為 Alexa+ 和亞馬遜的“代我購(gòu)買”功能的部分元素提供了支持。普拉薩德表示，從 Nova Sonic 開始，公司希望將更多內(nèi)部的 AI 模型提供給開發(fā)者使用，以助力他們構(gòu)建各種應(yīng)用。 
