Cuộc đua AI giọng nói Trung Quốc nóng lên khi iFlytek ra mắt SparkAudio 1.0
Công ty trí tuệ nhân tạo Trung Quốc iFlytek đã sử dụng Lễ hội Nhà phát triển 1024 thường niên vào thứ Năm để ra mắt SparkAudio 1.0, một mô hình nền tảng giọng nói mà công ty mô tả là khối xây dựng đầu tiên trong ngăn xếp công nghệ giọng nói của mình. Mô hình này hợp nhất dịch máy, nhận dạng giọng nói và hiểu ngữ nghĩa vào một hệ thống duy nhất, thay vì ghép nối các công cụ riêng lẻ cho từng nhiệm vụ.
Trong một buổi trình diễn dựa trên một đoạn phim, mô hình đã phân biệt giọng nói với âm thanh nền, xác định giới tính của người nói và đưa ra đánh giá chính xác về cảnh. iFlytek cho biết hệ thống xử lý tách giọng nói theo thời gian thực, hiểu môi trường, hiểu âm thanh và nhận dạng cảm xúc. Đối với độc giả toàn cầu, lời chào hàng rất rõ ràng: một mô hình duy nhất có thể nghe, phân tích và dịch một cuộc hội thoại khi nó diễn ra, điều này quan trọng đối với trung tâm cuộc gọi, phụ đề trực tiếp, cuộc họp xuyên biên giới và trợ lý giọng nói hiện đang phụ thuộc vào nhiều công cụ rời rạc.
Việc ra mắt giọng nói đi kèm với phát hành Spark X2.6, một mô hình lớn end-cloud được xây dựng trên kiến trúc hỗn hợp chuyên gia 293 tỷ tham số với 30 tỷ tham số hoạt động và cửa sổ ngữ cảnh một triệu token. iFlytek cho biết bản nâng cấp tập trung vào khả năng lập trình và tác nhân, và mô hình được huấn luyện hoàn toàn trên phần cứng máy tính nội địa. Công ty cũng giới thiệu một mô hình trên thiết bị mã nguồn mở nhằm chạy AI cục bộ trên điện thoại và các thiết bị khác.
Bối cảnh rộng hơn là một thị trường Trung Quốc đông đúc cho trợ lý AI và giao diện giọng nói. Claude Duet của Anthropic, một ứng dụng di động độc lập theo dõi email và lịch và có thể đặt hàng với sự chấp thuận của người dùng, đã thu hút sự chú ý như một ví dụ phương Tây về tác nhân cá nhân. Các nhà phát triển Trung Quốc đang chạy đua để xây dựng các sản phẩm tương đương, và giọng nói là một trong những giao diện tự nhiên nhất đối với họ, vì gõ trên điện thoại vẫn còn chậm và nhiều người dùng đã tương tác với thiết bị bằng cách nói.
Sự nhấn mạnh của SparkAudio 1.0 vào cảm xúc và hiểu môi trường cho thấy cuộc cạnh tranh đang đi về đâu. Nhận ra những gì được nói không còn đủ; các hệ thống đang được đánh giá về việc liệu chúng có thể cho biết ai đang nói, họ cảm thấy thế nào và điều gì đang xảy ra xung quanh họ hay không. Đó chính là bộ khả năng mà các nhà nghiên cứu robot hình người đang theo đuổi dưới ngọn cờ AI vật lý, nơi máy móc phải diễn giải các lệnh bằng lời nói trong môi trường thực tế ồn ào.
Tuyên bố của iFlytek về huấn luyện trên chip nội địa cũng phù hợp với một mô hình rộng hơn trong ngành AI Trung Quốc, nơi các công ty đang nỗ lực giảm phụ thuộc vào phần cứng nước ngoài. Công ty không tiết lộ so sánh điểm chuẩn chi tiết, và các đánh giá độc lập về SparkAudio 1.0 vẫn chưa xuất hiện. Hiệu suất thực tế của mô hình trong các trung tâm cuộc gọi ồn ào, giọng địa phương và hội thoại đa ngôn ngữ sẽ quyết định liệu cách tiếp cận tích hợp có đáp ứng lời hứa của nó hay không.
Điều rõ ràng là tốc độ. Trong một sự kiện nhà phát triển duy nhất, iFlytek đã công bố một mô hình nền tảng giọng nói, một bản nâng cấp mô hình ngôn ngữ lớn và một mô hình biên mã nguồn mở, dấu hiệu cho thấy các công ty AI Trung Quốc đang tung ra sản phẩm trên toàn bộ ngăn xếp thay vì tập trung vào một sản phẩm hàng đầu. Đối với nhà phát triển, câu hỏi là liệu những mảnh ghép này có khớp với nhau đủ tốt để xây dựng trên đó. Đối với người dùng, bài kiểm tra sẽ nhẹ nhàng hơn: liệu trợ lý giọng nói ở đầu bên kia cuối cùng có nghe như hiểu không.