中国AI音声競争が加熱、iFlytekがSparkAudio 1.0を発表

中国の人工知能企業iFlytekは木曜日、毎年恒例の1024開発者フェスティバルで、同社が音声技術スタックの最初の構成要素と位置付ける音声基盤モデル「SparkAudio 1.0」を発表した。このモデルは機械翻訳、音声認識、意味理解を個別のツールを寄せ集めるのではなく、単一のシステムに統合している。

映画のクリップを使ったデモでは、モデルは背景音から声を区別し、話者の性別を識別し、シーンについて正確な判断を下した。iFlytekによると、このシステムはリアルタイムの話者分離、環境理解、音声理解、感情認識を処理する。世界の読者にとって、その訴えは明快だ。会話が展開するにつれて聞き取り、解析し、翻訳できる単一のモデルであり、これは現在複数の分断されたエンジンに依存しているコールセンター、ライブ字幕、国境を越えた会議、音声アシスタントにとって重要である。

音声モデルの発表と同時に、Spark X2.6も公開された。これは2930億パラメータの混合エキスパートアーキテクチャに基づき、300億のアクティブパラメータと100万トークンのコンテキストウィンドウを持つエンドクラウド大規模モデルである。iFlytekは、このアップグレードがコーディングとエージェント機能に焦点を当てており、モデルは完全に国産の計算ハードウェアで学習されたと述べている。同社はまた、スマートフォンやその他のデバイス上でAIをローカルに実行することを目的としたオープンソースのオンデバイスモデルも発表した。

より広い文脈は、AIアシスタントと音声インターフェースのための混雑した中国市場である。AnthropicのClaude Duetは、メールやカレンダーを監視し、ユーザーの承認を得て注文できるスタンドアロンのモバイルアプリで、パーソナルエージェントの西洋の例として注目を集めている。中国の開発者は同等の製品の構築を競っており、スマートフォンでの入力は依然として遅く、多くのユーザーがすでに音声でデバイスと対話しているため、音声は彼らにとって最も自然なインターフェースの一つである。

SparkAudio 1.0が感情と環境理解を重視していることは、競争の行き先を示している。何が言われたかを認識するだけではもはや十分ではない。システムは、誰が話しているか、どう感じているか、周囲で何が起こっているかを識別できるかどうかで評価されている。これは、人間型ロボット研究者が物理AIの旗印の下で追い求めているのと同じ能力セットであり、機械は騒がしい実世界の設定で音声コマンドを解釈しなければならない。

iFlytekの国産チップでの学習という主張は、外国製ハードウェアへの依存を減らすために企業が取り組んでいる中国のAI業界のより広いパターンにも合致する。同社は詳細なベンチマーク比較を明らかにしておらず、SparkAudio 1.0の独立した評価はまだ現れていない。騒がしいコールセンター、地域なまり、混合言語の会話におけるモデルの実世界での性能が、統合アプローチがその約束を果たすかどうかを決定する。

明らかなのはそのペースだ。単一の開発者イベント内で、iFlytekは音声基盤モデル、主要な言語モデルのアップグレード、オープンソースのエッジモデルを発表した。これは中国のAI企業が単一のフラッグシップに焦点を当てるのではなく、スタック全体に製品を投入している兆候である。開発者にとっての問いは、これらの部品が上に構築できるほど十分に組み合わさっているかどうかだ。ユーザーにとってのテストはより静かだ。向こう側の音声アシスタントがついに理解しているように聞こえるかどうかである。