《科创板日报》1月20日讯（编辑 宋子乔）1月20日，豆包实时语音大模型正式推出。
据介绍，豆包实时语音大模型是一款语音理解和生成一体化的模型，实现了端到端语音对话，主要面向中文语境和场景（可进行英语对话，暂不支持多语种；中文范围内，模型也仅支持小部分方言和地方口音的理解和表达，仍有较大进步空间）。
依托于语音和语义联合建模，该模型呈现出接近真人的语音表达水准，在语音表现力、控制力、情绪承接方面表现惊艳，并具备低时延、对话中可随时打断等特性。
打败GPT-4o？
OpenAI的最新大模型GPT-4o的高级语音功能于2025年1月开始全量推出。
值得注意的是，豆包实时语音大模型直接对标GPT-4o。豆包大模型团队介绍称，在外部真实众测中，模型整体满意度较GPT-4o有明显优势，主要体现在：
豆包大模型的语音语气自然度和情绪饱满度远高于后者，尤其情商层面，模型在情感理解、情感承接以及情感表达等方面也取得显著进展，能较为准确地捕捉、回应人类情感信息；
豆包模型贴合中国用户实际需求，发布即上线，有能力直接服务亿万用户，而非停留于演示Demo层面。
整体满意度（以5分为满分）方面，豆包实时语音大模型评分为4.36，GPT-4o为3.18。其中，50%的测试者对豆包实时语音大模型表现打出满分。 如何实现？
低延时流畅交互、拟人化的语气和情绪反馈，是分辨人与机器的两大重要特征。豆包大模型团队如何让语音大模型不再“一听就是AI”？
其团队研发出了一套端到端框架，深度融合语音与文本模态。该框架面向语音生成和理解进行统一建模，最终实现多模态输入和输出效果。
在预训练（Pretrain）阶段，团队对各模态交织数据进行深入训练，精准捕捉并高效压缩海量语音信息，通过Scaling，最大程度实现语音与文本能力深度融合和能力涌现。
在后训练阶段，团队使用了高质量数据与RL算法，进一步提供模型高情商对话能力与安全性，并在“智商”与“情商”之间寻求平衡。
更真实的情感陪伴——实时语音AI的价值
实时语音AI的价值体现在哪里？影响最直接是AI情感陪伴。
《科创板日报》实测发现，豆包的语音大模型不仅能感受到你的情感，还自带情绪和情感，可以随时打断对话，互动更加拟人。
真人级语音对话，能提供更为亲和的交互体验和情感价值，AI不再呈现冰冷的“人机感”，其考验的是AI的“人性化”程度，是人类迈向AGI（通用人工智能）的关键里程碑。
可以说，豆包在实时语音交互上的进步展现的是国产AI软件的进步，有望为AI端侧硬件开辟更广阔的空间，如AI语音助手硬件以及AI玩具等。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/259115.html