Corrida da voz com IA na China esquenta com o lançamento do SparkAudio 1.0 da iFlytek
A empresa chinesa de inteligência artificial iFlytek aproveitou seu 1024 Developer Festival anual na quinta-feira para apresentar o SparkAudio 1.0, um modelo de fundação de fala que a empresa descreve como o primeiro bloco de construção de sua pilha de tecnologia de voz. O modelo integra tradução automática, reconhecimento de fala e compreensão semântica em um único sistema, em vez de juntar ferramentas separadas para cada tarefa.
Em uma demonstração baseada em um clipe de filme, o modelo distinguiu vozes do som de fundo, identificou o gênero dos falantes e fez julgamentos precisos sobre a cena. A iFlytek afirma que o sistema lida com separação de falantes em tempo real, compreensão do ambiente, compreensão de áudio e reconhecimento de emoções. Para leitores globais, a proposta é direta: um único modelo capaz de ouvir, analisar e traduzir uma conversa enquanto ela acontece, o que importa para centrais de atendimento, legendagem ao vivo, reuniões transfronteiriças e assistentes de voz que atualmente dependem de vários motores desconectados.
O lançamento de voz veio junto com o lançamento do Spark X2.6, um modelo grande de ponta a nuvem construído sobre uma arquitetura de mistura de especialistas de 293 bilhões de parâmetros com 30 bilhões de parâmetros ativos e uma janela de contexto de um milhão de tokens. A iFlytek diz que a atualização se concentra em capacidades de codificação e agentes, e que o modelo foi treinado inteiramente em hardware de computação nacional. A empresa também apresentou um modelo de código aberto no dispositivo voltado para executar IA localmente em telefones e outros dispositivos.
O contexto mais amplo é um mercado chinês lotado de assistentes de IA e interfaces de voz. O Claude Duet da Anthropic, um aplicativo móvel independente que monitora e-mails e calendários e pode fazer pedidos com aprovação do usuário, tem chamado atenção como um exemplo ocidental do agente pessoal. Desenvolvedores chineses estão correndo para construir produtos comparáveis, e a voz é uma das interfaces mais naturais para eles, já que digitar em um telefone continua lento e muitos usuários já interagem com dispositivos falando.
A ênfase do SparkAudio 1.0 em emoção e compreensão do ambiente aponta para onde a competição está indo. Reconhecer o que é dito já não é suficiente; os sistemas estão sendo avaliados por sua capacidade de dizer quem está falando, como se sente e o que está acontecendo ao seu redor. Esse é o mesmo conjunto de capacidades que pesquisadores de robótica humanoide buscam sob a bandeira da IA física, onde as máquinas devem interpretar comandos falados em ambientes ruidosos do mundo real.
A afirmação da iFlytek de treinamento em chips nacionais também se encaixa em um padrão mais amplo da indústria chinesa de IA, onde as empresas trabalham para reduzir a dependência de hardware estrangeiro. A empresa não divulgou comparações detalhadas de benchmark, e avaliações independentes do SparkAudio 1.0 ainda não apareceram. O desempenho real do modelo em centrais de atendimento ruidosas, sotaques regionais e conversas em vários idiomas determinará se a abordagem integrada cumpre sua promessa.
O que está claro é o ritmo. Em um único evento para desenvolvedores, a iFlytek anunciou um modelo de fundação de fala, uma importante atualização de modelo de linguagem e um modelo de borda de código aberto, um sinal de que as empresas chinesas de IA estão lançando produtos em toda a pilha em vez de se concentrar em um único carro-chefe. Para os desenvolvedores, a questão é se essas peças se encaixam bem o suficiente para construir sobre elas. Para os usuários, o teste será mais silencioso: se o assistente de voz do outro lado finalmente soa como se entendesse.