搜索
豆包App小范围内测新语音模式，实测中文对话遥遥领先
2 天前
/ 阅读约2分钟
来源：凤凰网
豆包即将发布最新实时语音大模型，并将基于此模型全量上线豆包App实时语音通话功能。
在ChatGPT的DAN模式火爆全网，无数网友为如何设置DAN四处寻求攻略的时候，AI 就已经证明了逼真的人机语音交互所带来的巨大想象力。
而如今，真正摆脱“人机感”的国产语音大模型来了。
据硅星人独家获悉，豆包即将发布最新实时语音大模型，并将基于此模型全量上线豆包App实时语音通话功能。目前，豆包APP已小范围测试最新能力，部分用户在豆包App的实时通话界面已更新。
此前，业内就曾有传言称豆包将上线最新情感语音大模型，测试效果超过GPT-4o。据了解，该传言提及模型即为上述实时语音模型。最新模型通过面向语音生成和理解进行统一建模，区别于此前的 ASR+LLM+TTS 级联方式，在对话效果上有大幅提升，实时交互上不仅低延时，也能流畅打断。
硅星人在豆包上实测了该能力发现，在中文场景下，豆包最新语音模型体现出了相较于此前更强大和逼真的性能。
从底层的技术发展来看，声学特征的精确控制需要同时调控音高、语速、音量等多个参数，而这些参数与情感之间并不存在简单的对应关系，就像人类说话时的情感是由无数细微变化组成的，机器要精确捕捉和重现这种复杂的表达。
对此，当前语音对话的解决方案多采用分层设计，通过多个模型的协同来逐步实现从文本到情感，再到声音的转换，但在实时性和自然度上仍有相当大的提升空间。
而豆包最新的语音模型，便在这两个方面有了较大的性能提升。
在自然度上，首先是此次更新最重要的情感部分，相比大多数模型还在语气上粗线条上进行变化之外，豆包最新的语音模型在语音表现和智力的拟人性上有了质的提升。
比如这一段我们让豆包用老北京话说一段报菜名的贯口，这中间有非常多对节奏和儿化音的处理，豆包都绘声绘色地表述了出来，流利程度堪比初级相声演员。
