4 月 9 日消息，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音并生成自然流暢的語音。據(jù)亞馬遜聲稱，Nova Sonic 在速度、語音識別以及對話質(zhì)量等關(guān)鍵指標(biāo)的基準(zhǔn)測試中，表現(xiàn)可與 OpenAI 和谷歌的前沿語音模型相媲美。

　　Nova Sonic 的問世是亞馬遜對新興 AI 語音模型的有力回應(yīng)，例如為 ChatGPT 語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，這些新模型在語音交互時更加自然。

　　Nova Sonic 通過亞馬遜的 Bedrock 開發(fā)者平臺提供給用戶，該平臺是用于構(gòu)建企業(yè)級 AI 應(yīng)用的工具，Nova Sonic 則通過一個全新的雙向流式 API 進行接入。在一份新聞稿中，亞馬遜稱 Nova Sonic 是市場上“最具成本效益”的 AI 語音模型，其價格比 OpenAI 的 GPT-4o 便宜約 80%。

　　據(jù)亞馬遜高級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)為亞馬遜升級版數(shù)字語音助手 Alexa+ 提供了動力支持。

　　普拉薩德表示，與競爭對手的 AI 語音模型相比，Nova Sonic 在將用戶請求路由到不同 API 方面表現(xiàn)出色。這一能力使得 Nova Sonic 能夠知曉何時需要從互聯(lián)網(wǎng)獲取實時信息、解析專有數(shù)據(jù)源，或者在外部應(yīng)用程序中采取行動，并使用合適的工具來完成任務(wù)。

　　在雙向?qū)υ捴校琋ova Sonic 會等待“合適的時機”發(fā)言，會考慮到說話者的停頓和打斷等情況。此外，Nova Sonic 還能夠為用戶的語音生成文本記錄，開發(fā)者可以將這些文本用于各種應(yīng)用場景。

　　據(jù)普拉薩德介紹，Nova Sonic 在語音識別錯誤方面比其他 AI 語音模型更少，這意味著該模型即使在用戶咕噥、說錯話或者處于嘈雜環(huán)境中時，也相對擅長理解用戶的意圖。在一項衡量跨語言和方言的語音識別基準(zhǔn)測試 —— 多語言 LibriSpeech 中，亞馬遜表示 Nova Sonic 在英語、法語、意大利語、德語和西班牙語上的平均單詞錯誤率（WER）僅為 4.2%。也就是說，在這些語言中，該模型每 100 個單詞中大約有 4 個與人工轉(zhuǎn)錄的結(jié)果不同。

　　在另一項衡量多人參與的高音量互動的基準(zhǔn)測試 —— 增強多方互動中，亞馬遜稱 Nova Sonic 在單詞錯誤率方面比 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 的實時 API 提供動力的 GPT-4o 模型更快，后者響應(yīng)時間為 1.18 秒，這是根據(jù)人工分析的基準(zhǔn)測試結(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“能夠在計算機上完成人類所能做的一切事情的 AI 系統(tǒng)”。展望未來，普拉薩德表示，亞馬遜計劃推出更多能夠理解不同模態(tài)（包括圖像、視頻和語音）的 AI 模型，以及“其他在將事物引入物理世界時相關(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，這是一個使用瀏覽器的 AI 模型，似乎為 Alexa+ 和亞馬遜的“代我購買”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。