La corsa vocale cinese si scalda: iFlytek presenta SparkAudio 1.0
L’azienda cinese di intelligenza artificiale iFlytek ha presentato giovedì, durante il suo annuale 1024 Developer Festival, SparkAudio 1.0, un modello vocale di base che l’azienda descrive come il primo mattone della sua infrastruttura tecnologica per la voce. Il modello integra traduzione automatica, riconoscimento vocale e comprensione semantica in un unico sistema, invece di assemblare strumenti separati per ciascun compito.
In una dimostrazione basata su una clip cinematografica, il modello ha distinto le voci dai suoni di fondo, identificato il sesso dei parlanti e formulato giudizi accurati sulla scena. iFlytek afferma che il sistema gestisce la separazione dei parlanti in tempo reale, la comprensione dell’ambiente, la comprensione audio e il riconoscimento delle emozioni. Per i lettori globali, la proposta è semplice: un unico modello in grado di ascoltare, analizzare e tradurre una conversazione mentre si svolge, un aspetto rilevante per call center, sottotitoli in diretta, riunioni transfrontaliere e assistenti vocali che oggi dipendono da diversi motori scollegati.
Il lancio vocale è arrivato insieme al rilascio di Spark X2.6, un grande modello end-cloud basato su un’architettura mixture-of-experts da 293 miliardi di parametri con 30 miliardi di parametri attivi e una finestra di contesto di un milione di token. iFlytek afferma che l’aggiornamento si concentra sulle capacità di programmazione e agenti, e che il modello è stato addestrato interamente su hardware di calcolo nazionale. L’azienda ha anche introdotto un modello on-device open source pensato per eseguire l’AI localmente su telefoni e altri dispositivi.
Il contesto più ampio è un mercato cinese affollato di assistenti AI e interfacce vocali. Claude Duet di Anthropic, un’app mobile autonoma che monitora email e calendari e può effettuare ordini con l’approvazione dell’utente, ha attirato l’attenzione come esempio occidentale di agente personale. Gli sviluppatori cinesi corrono per costruire prodotti comparabili, e la voce è una delle interfacce più naturali, dato che digitare su un telefono resta lento e molti utenti interagiscono già con i dispositivi parlando.
L’enfasi di SparkAudio 1.0 su emozioni e comprensione dell’ambiente indica dove si sta dirigendo la concorrenza. Riconoscere ciò che viene detto non basta più; i sistemi vengono valutati sulla capacità di dire chi parla, come si sente e cosa succede intorno. È lo stesso set di capacità che i ricercatori di robotica umanoide inseguono sotto la bandiera dell’AI fisica, dove le macchine devono interpretare comandi vocali in ambienti rumorosi e reali.
L’affermazione di iFlytek sull’addestramento su chip nazionali si inserisce anche in un modello più ampio dell’industria AI cinese, dove le aziende lavorano per ridurre la dipendenza da hardware straniero. L’azienda non ha divulgato confronti dettagliati con benchmark, e le valutazioni indipendenti di SparkAudio 1.0 devono ancora apparire. Le prestazioni reali del modello in call center rumorosi, con accenti regionali e conversazioni multilingue determineranno se l’approccio integrato manterrà le sue promesse.
Ciò che è chiaro è il ritmo. In un singolo evento per sviluppatori, iFlytek ha annunciato un modello vocale di base, un importante aggiornamento del modello linguistico e un modello edge open source, segno che le aziende cinesi di AI stanno rilasciando prodotti su tutto lo stack invece di concentrarsi su un singolo flagship. Per gli sviluppatori, la domanda è se questi pezzi si incastrano abbastanza bene da costruirci sopra. Per gli utenti, il test sarà più silenzioso: se l’assistente vocale dall’altra parte suona finalmente come se capisse.