新聞記者 吳漢
8月30日，科大訊飛星火極速超擬人交互技術(shù)正式上線訊飛星火APP，率先面向全民開放體驗。據(jù)了解，這是國內(nèi)首個對標(biāo)GPT-4o語音的大模型產(chǎn)品，用戶可在訊飛星火APP中直接體驗使用。根據(jù)官方介紹，星火極速超擬人交互在響應(yīng)和打斷速度、情緒感知情感共鳴、語音可控表達、人設(shè)扮演四個方面實現(xiàn)重大突破，讓整體交互體驗更自然、更具情感。
上線當(dāng)天，科大訊飛研究院常務(wù)副院長高建清針對星火極速超擬人交互技術(shù)及應(yīng)用展開進一步解讀，不僅剖析了星火超擬人交互的“端到端”“共情力”等核心技術(shù)亮點，還為公眾勾勒出技術(shù)產(chǎn)業(yè)化的愿景圖。
據(jù)悉，“端到端”技術(shù)框架是實現(xiàn)極速響應(yīng)的重點。目前在全世界范圍內(nèi)，框架模型算法持續(xù)演進，國外以GPT-4o、特斯拉FSD等為代表的多模態(tài)端到端方案，已被證實可進一步提升技術(shù)效果和用戶體驗。而科大訊飛極速超擬人交互作為業(yè)界首個端到端極速超擬人交互，通過將此前級聯(lián)方案升級為統(tǒng)一神經(jīng)網(wǎng)絡(luò)，直接實現(xiàn)語音到語音的“端到端”建模，大幅縮短響應(yīng)時間，做到了真正的極速。
而人類語言被稱為世界上最動聽的語言，是因為具有獨特的情緒感染力，能夠傳達復(fù)雜的情感和思想，實現(xiàn)文明的傳承和進化。但長久以來，智能語音與自然語言處理技術(shù)主要針對“內(nèi)容”模塊下功夫，比如能“聽懂”更多的語種，“解答”更多的問題，但想要獲得擬人化的對話體驗，還需要“內(nèi)容”與“情緒”等模塊協(xié)同作用。
大模型時代的到來，恰好能讓不同的模塊化功能進行“大統(tǒng)一”。高建清表示：“以往語音交互系統(tǒng)都是不同的模塊，比如語音識別、語音合成和大語言模型。而科大訊飛星火極速超擬人交互技術(shù)基于端到端大模型框架，并結(jié)合訊飛多維度語音屬性解耦表征訓(xùn)練模塊，實現(xiàn)情感、方言、韻律、音色等的可控，實現(xiàn)了對語音交互的擬人化升級?！?/p>
星火極速超擬人技術(shù)還將星火大模型的“共情力”帶到了新的高度，在這次單交互系統(tǒng)上線之前，業(yè)界的交互系統(tǒng)大多沒有情感，均以中性情緒回復(fù)，或者個別系統(tǒng)有這種情感，但大多停留在文本層面。而星火極速超擬人技術(shù)可以實現(xiàn)情感共鳴，當(dāng)人機對話時，機器可以理解你的聲音內(nèi)容，包含情緒表達。高建清認為，雖然目前系統(tǒng)暫時不能使用表情，但未來如果將表情、聲音內(nèi)容與聲音情緒三者結(jié)合在一起，將會是一條可行的新路徑。
星火極速超擬人語音的情緒感知能力，能夠感知到數(shù)十種音頻事件與情緒，比如喜怒哀樂、害怕、困惑等，AI會以“感同身受”的方式進行語言組織和情緒表達。而情感共鳴會結(jié)合聲音和內(nèi)容等不同維度，在合適的情境采用合適的情感進行回應(yīng)，比如用戶開心的時候用笑聲呼應(yīng)心情，用戶悲傷的時候用安慰語氣進行安撫，讓AI變得有血有肉有溫度。
共情力對于大模型是一項重要的基礎(chǔ)能力，或許在未來的人形機器人身上，我們將看到共情力的具象表達。比如你一進門，機器人向你笑臉相迎地問候道，就像1999年科幻電影《機器管家》里面的人形機器人安德魯，讓人機之間也有情感紐帶。當(dāng)然暢想這些還為時尚早，現(xiàn)階段的星火極速超擬人交互更有另一部電影《Her》的既視感，TA可以用笑聲回應(yīng)開心，用急促回應(yīng)憤怒，更自然，更逼真，更還原真人對話的語境。
至于快速打斷功能，這也是真人對話中經(jīng)常復(fù)現(xiàn)的狀況。比如你入住酒店問前臺客服，如果對方答非所問肯定當(dāng)即打斷；同理，沒耐心聽AI講一大堆話，或者回答跑偏，立即打斷是人的生理本能?！斑@是個極其復(fù)雜的工程問題，需要去判定何時打斷、何時不應(yīng)打斷，我們通過技術(shù)創(chuàng)新與強化底座認知能力，解決了打斷和響應(yīng)時間平衡的問題?！备呓ㄇ逭f道。
