Persaingan AI Suara China Memanas, iFlytek Luncurkan SparkAudio 1.0

Perusahaan kecerdasan buatan China, iFlytek, menggunakan Festival Pengembang 1024 tahunannya pada Kamis untuk meluncurkan SparkAudio 1.0, model dasar suara yang diklaim perusahaan sebagai blok bangunan pertama dari tumpukan teknologi suaranya. Model ini menggabungkan penerjemahan mesin, pengenalan suara, dan pemahaman semantik ke dalam satu sistem, bukan menyatukan alat terpisah untuk setiap tugas.

Dalam demonstrasi yang dibangun di sekitar klip film, model membedakan suara dari latar belakang, mengidentifikasi jenis kelamin pembicara, dan membuat penilaian akurat tentang adegan. iFlytek mengatakan sistem menangani pemisahan pembicara waktu nyata, pemahaman lingkungan, pemahaman audio, dan pengenalan emosi. Bagi pembaca global, tawarannya lugas: satu model yang dapat mendengar, mengurai, dan menerjemahkan percakapan saat berlangsung, yang penting untuk pusat panggilan, takarir langsung, rapat lintas batas, dan asisten suara yang saat ini bergantung pada beberapa mesin terpisah.

Peluncuran suara itu bersamaan dengan rilis Spark X2.6, model besar end-cloud yang dibangun di atas arsitektur mixture-of-experts 293 miliar parameter dengan 30 miliar parameter aktif dan jendela konteks satu juta token. iFlytek mengatakan peningkatan ini berfokus pada kemampuan pengodean dan agen, dan model dilatih sepenuhnya pada perangkat keras komputasi domestik. Perusahaan juga memperkenalkan model on-device sumber terbuka yang ditujukan untuk menjalankan AI secara lokal di ponsel dan perangkat lain.

Konteks yang lebih luas adalah pasar China yang padat untuk asisten AI dan antarmuka suara. Claude Duet dari Anthropic, aplikasi seluler mandiri yang memantau email dan kalender serta dapat melakukan pemesanan dengan persetujuan pengguna, telah menarik perhatian sebagai contoh agen pribadi dari Barat. Pengembang China berlomba membangun produk serupa, dan suara adalah salah satu antarmuka paling alami bagi mereka, karena mengetik di ponsel tetap lambat dan banyak pengguna sudah berinteraksi dengan perangkat melalui bicara.

Penekanan SparkAudio 1.0 pada emosi dan pemahaman lingkungan menunjukkan arah persaingan. Mengenali apa yang dikatakan tidak lagi cukup; sistem dinilai berdasarkan apakah mereka dapat mengetahui siapa yang berbicara, bagaimana perasaan mereka, dan apa yang terjadi di sekitar mereka. Itu adalah rangkaian kemampuan yang sama yang dikejar para peneliti robotika humanoid di bawah bendera AI fisik, di mana mesin harus menafsirkan perintah lisan dalam pengaturan dunia nyata yang bising.

Klaim iFlytek tentang pelatihan pada chip domestik juga sesuai dengan pola yang lebih luas dalam industri AI China, di mana perusahaan berupaya mengurangi ketergantungan pada perangkat keras asing. Perusahaan tidak mengungkapkan perbandingan tolok ukur terperinci, dan evaluasi independen SparkAudio 1.0 belum muncul. Kinerja dunia nyata model di pusat panggilan yang bising, aksen daerah, dan percakapan campuran bahasa akan menentukan apakah pendekatan terintegrasi memenuhi janjinya.

Yang jelas adalah kecepatannya. Dalam satu acara pengembang, iFlytek mengumumkan model dasar suara, peningkatan model bahasa besar, dan model edge sumber terbuka, tanda bahwa perusahaan AI China mengirim produk di seluruh tumpukan daripada berfokus pada satu unggulan. Bagi pengembang, pertanyaannya adalah apakah bagian-bagian ini cukup cocok untuk dibangun. Bagi pengguna, ujiannya akan lebih tenang: apakah asisten suara di ujung sana akhirnya terdengar seperti mengerti.