Çin'in yapay zeka ses yarışı kızışıyor: iFlytek SparkAudio 1.0'ı tanıttı
Çinli yapay zeka şirketi iFlytek, perşembe günü düzenlenen yıllık 1024 Developer Festival’inde, ses teknolojisi yığınının ilk yapı taşı olarak tanımladığı konuşma temel modeli SparkAudio 1.0’ı tanıttı. Model, her görev için ayrı araçları bir araya getirmek yerine makine çevirisi, konuşma tanıma ve anlamsal anlamayı tek bir sistemde birleştiriyor.
Bir film klibi üzerine kurulu gösterimde model, sesleri arka plan gürültüsünden ayırdı, konuşmacıların cinsiyetini belirledi ve sahne hakkında doğru değerlendirmeler yaptı. iFlytek, sistemin gerçek zamanlı konuşmacı ayrımı, çevresel anlama, ses anlama ve duygu tanıma işlevlerini yerine getirdiğini söylüyor. Küresel okuyucular için vaat basit: bir konuşmayı gerçekleşirken duyabilen, ayrıştırabilen ve çevirebilen tek bir model; bu, şu anda birbirinden kopuk birkaç motora bağımlı olan çağrı merkezleri, canlı altyazı, sınır ötesi toplantılar ve sesli asistanlar için önemli.
Ses lansmanı, 293 milyar parametreli uzmanlar karışımı mimarisi üzerine kurulu, 30 milyar aktif parametreye ve bir milyon token’lık bağlam penceresine sahip uç-bulut büyük modeli Spark X2.6’nın yayınlanmasıyla birlikte geldi. iFlytek, güncellemenin kodlama ve ajan yeteneklerine odaklandığını ve modelin tamamen yerli hesaplama donanımıyla eğitildiğini belirtiyor. Şirket ayrıca yapay zekayı telefonlarda ve diğer cihazlarda yerel olarak çalıştırmayı amaçlayan açık kaynaklı bir cihaz üstü model tanıttı.
Daha geniş bağlam, yapay zeka asistanları ve ses arayüzleri için kalabalık bir Çin pazarı. E-postaları ve takvimleri izleyen ve kullanıcı onayıyla sipariş verebilen bağımsız bir mobil uygulama olan Anthropic’in Claude Duet’i, kişisel ajanın Batılı bir örneği olarak dikkat çekti. Çinli geliştiriciler benzer ürünler inşa etmek için yarışıyor ve ses en doğal arayüzlerden biri; çünkü telefonda yazmak hâlâ yavaş ve birçok kullanıcı cihazlarla zaten konuşarak etkileşime giriyor.
SparkAudio 1.0’un duygu ve çevresel anlamaya vurgusu, rekabetin nereye gittiğine işaret ediyor. Ne söylendiğini tanımak artık yeterli değil; sistemler kimin konuştuğunu, nasıl hissettiğini ve çevresinde ne olduğunu söyleyip söyleyemediklerine göre değerlendiriliyor. Bu, insansı robotik araştırmacılarının fiziksel yapay zeka bayrağı altında peşinden koştuğu yetenek setinin aynısı; makinelerin gürültülü, gerçek dünya ortamlarında sesli komutları yorumlaması gerekiyor.
iFlytek’in yerli çiplerle eğitim iddiası, Çin yapay zeka endüstrisindeki daha geniş bir örüntüye de uyuyor; şirketler yabancı donanıma bağımlılığı azaltmak için çalışıyor. Şirket ayrıntılı kıyaslama karşılaştırmaları açıklamadı ve SparkAudio 1.0’un bağımsız değerlendirmeleri henüz ortaya çıkmadı. Modelin gürültülü çağrı merkezlerinde, bölgesel aksanlarda ve karışık dilli konuşmalardaki gerçek dünya performansı, entegre yaklaşımın vaadini yerine getirip getirmediğini belirleyecek.
Net olan şey tempo. Tek bir geliştirici etkinliğinde iFlytek bir konuşma temel modeli, büyük bir dil modeli güncellemesi ve açık kaynaklı bir uç model duyurdu; bu, Çinli yapay zeka firmalarının tek bir amiral gemisine odaklanmak yerine yığının tamamında ürün çıkardığının işareti. Geliştiriciler için soru, bu parçaların üzerine inşa edilebilecek kadar iyi bir araya gelip gelmediği. Kullanıcılar için test daha sessiz olacak: karşı taraftaki sesli asistan nihayet anlıyormuş gibi mi geliyor?