Гонка голосовых ИИ в Китае набирает обороты: iFlytek представила SparkAudio 1.0
Китайская компания в области искусственного интеллекта iFlytek в четверг на ежегодном фестивале 1024 Developer Festival представила SparkAudio 1.0 — фундаментальную модель речи, которую компания называет первым строительным блоком своей голосовой технологической платформы. Модель объединяет машинный перевод, распознавание речи и семантическое понимание в единую систему, а не собирает отдельные инструменты для каждой задачи.
В демонстрации, построенной вокруг фрагмента фильма, модель отличала голоса от фонового звука, определяла пол говорящих и делала точные суждения о сцене. iFlytek утверждает, что система обеспечивает разделение говорящих в реальном времени, понимание окружающей среды, аудиопонимание и распознавание эмоций. Для глобальных читателей посыл прост: единая модель, способная слышать, разбирать и переводить разговор по мере его развития, что важно для колл-центров, субтитров в реальном времени, трансграничных встреч и голосовых помощников, которые сейчас зависят от нескольких разрозненных движков.
Запуск голосовой модели сопровождался выпуском Spark X2.6 — облачно-оконечной большой модели, построенной на архитектуре смеси экспертов с 293 миллиардами параметров, 30 миллиардами активных параметров и контекстным окном в один миллион токенов. iFlytek сообщает, что обновление сосредоточено на возможностях программирования и агентов, и что модель обучена полностью на отечественном вычислительном оборудовании. Компания также представила открытую модель для устройств, предназначенную для локального запуска ИИ на телефонах и других устройствах.
Более широкий контекст — это переполненный китайский рынок ИИ-ассистентов и голосовых интерфейсов. Claude Duet от Anthropic — отдельное мобильное приложение, которое отслеживает электронную почту и календари и может размещать заказы с одобрения пользователя, — привлекло внимание как западный пример персонального агента. Китайские разработчики спешат создать сопоставимые продукты, и голос является одним из самых естественных интерфейсов для них, поскольку набор текста на телефоне остаётся медленным, и многие пользователи уже взаимодействуют с устройствами голосом.
Акцент SparkAudio 1.0 на эмоциях и понимании окружающей среды указывает, куда движется конкуренция. Распознавания того, что сказано, уже недостаточно; системы оценивают по тому, могут ли они определить, кто говорит, что он чувствует и что происходит вокруг. Это тот же набор возможностей, к которому стремятся исследователи гуманоидной робототехники под флагом физического ИИ, где машины должны интерпретировать голосовые команды в шумных условиях реального мира.
Заявление iFlytek об обучении на отечественных чипах также вписывается в более широкую тенденцию китайской ИИ-индустрии, где компании работают над снижением зависимости от иностранного оборудования. Компания не раскрыла подробных сравнительных тестов, и независимые оценки SparkAudio 1.0 пока не появились. Реальная производительность модели в шумных колл-центрах, с региональными акцентами и смешанными языками определит, оправдает ли интегрированный подход свои обещания.
Ясен темп. За одно мероприятие для разработчиков iFlytek анонсировала фундаментальную модель речи, крупное обновление языковой модели и открытую граничную модель — признак того, что китайские ИИ-компании выпускают продукты по всему стеку, а не сосредотачиваются на одном флагмане. Для разработчиков вопрос в том, достаточно ли хорошо эти части сочетаются, чтобы на них строить. Для пользователей проверка будет тише: наконец-то голосовой помощник на другом конце звучит так, будто понимает.