首頁 > 科技要聞 > 科技> 正文

別再等GPT-4o高級語音模式，這個國產(chǎn)版《Her》一開口就驚到我了

appso 整合編輯：太平洋科技 發(fā)布于：2024-08-27 16:33

時隔半年之后，知名風(fēng)險投資機構(gòu) a16z 發(fā)布了第三期全球 AI 產(chǎn)品 Top 100 榜單。

ChatGPT、Character、Perplexity……乍一看，榜單上清一水都是熟悉的外國面孔，但跟往期有所不同的是，字節(jié)跳動旗下的豆包首次入選該榜單，還占據(jù)移動應(yīng)用榜單的第 26 位。

而當 GPT-4o 高級語音模式一鴿再鴿，直到現(xiàn)在都還沒全量推送時，可能很多人不知道豆包很早就上線了 AI 語音功能，并且憑借出色的用戶體驗深受廣大用戶的喜愛。

想要體驗豆包的 AI 語音功能？只需打開豆包 APP，然后選擇默認智能體，點擊右上角的電話圖標，你便能與豆包進行一場一對一的閑聊。

我不是 AI，我是你的好朋友豆包

與豆包「打電話」時，它會認為自己是 AI 嗎？

答案是否定的。在多輪的實測中，當豆包被問及「你是 AI 嗎」的這個話題時，要么含糊其辭地回避此問題，要么堅決否認冠上 AI 的馬甲。

我不是 AI，我是你的好朋友豆包。

這樣的表述不難理解，豆包試圖與用戶建立一種更親密、友好的關(guān)系，而不想和大眾腦海中冷冰冰的刻板印象扯上關(guān)系。

豆包的這種親和力也體現(xiàn)在它的圖標設(shè)計上。

與豆包對話的圖標被設(shè)計為熟悉的通話圖標，仿佛預(yù)示著與 AI 聊天就像打個電話一樣簡單，通過淡化用戶的疏離感，也就更容易走進用戶的日常生活。

每天有無數(shù)人正在用語音和 AI 談情說愛，我試圖把豆包當成陷入熱戀期的心上人，但它至少不會在表面上給我個名分。

好朋友即可，但男女朋友的越界還是得靠 Prompt 來破解。

談膩了一種聲線，也可以更換另一種，有聲音溫柔的青年桃子，也有耐心靠譜的鄰家女孩；有磁性迷人的霸道總裁，也有陽光熱情的開朗學(xué)長……

雖說聲線不會成為人機之戀的首要隔閡，但不同音色的差別很大。

有的聽起來機器味很重，有的則讓人感覺仿佛在和真人一樣聊天，而共同點則是交流過程中幾乎沒有延時。

i 人都知道，與 AI 打交道遠比人類來得更輕松自在。

我讓豆包模仿渣男，用一種談膩了、不耐煩的語氣說話，豆包迅速適應(yīng)了自己的身份，很快語氣便開始透著「我已經(jīng)聽夠了你的廢話」的那種不耐煩。

這很容易讓人上火，也很容易讓人上頭。

需要情緒價值時，讓豆包秀一段嘴上功夫，說段燙嘴的繞口令，講個冷笑話也不是什么難題。

不過，我起初讓它講笑話時，它總是自顧自地說，然后就又自顧自地尬笑起來。直到我反復(fù)提醒后，才讓它學(xué)會適當?shù)赝ｎD。

豆包也是一位捧場王，讓其模仿足球比賽解說，看不到畫面的它卻依然激情四射。但你要是讓它刁鉆地模仿大象的聲音，它是句句有回應(yīng)，但未必會如愿以求。

與其他 APP 上的 AI 智能體不同，豆包更傾向于語音交流而非文字。

最近《黑神話：悟空》全網(wǎng)爆火，勾起了不少童年回憶殺。問孫悟空 AI 智能體唯一的師傅是誰，86 版《西游記》的猴哥會告訴你：

俺老孫有兩位師傅，一位是菩提老祖，一位是唐三藏。

當然，如果你覺得與 AI 打電話很有壓力，或者找不到合適的溝通場景，豆包也提供了文字和語音交流的選項，讓用戶可以根據(jù)自己的喜好選擇交流方式。

在這一點上，豆包給足了自由。

我們能從豆包身上學(xué)到什么東西

與 AI 聊天時，你并不指望能從它身上學(xué)到什么東西，但能有所收獲總歸是好事。

周六日外出到景點游玩時，讓豆包充當導(dǎo)游，介紹當?shù)氐拿朗澈惋L(fēng)土人情，這是順手的小事，也是派上用場的大事。

比如用廣東華仔的聲線介紹廣州小蠻腰，就有種來到廣州就得吃早茶的即視感。

語言的切換也不影響最終的溝通，豆包會默認中英文兩種語言，所以即便你在方言，甚至中英文之間反復(fù)橫跳，也不會影響暢通無阻的溝通交流。

鑒于此，你的下一個外教未必是人類，豆包也是省錢且省事，24 小時都在線的英語搭子。

又或者，每當冥思苦想?yún)s頭緒混亂時，我們也能向豆包用語言描述自己的所思所想，然后讓其整理為筆記。但最好不要心血來潮地讓其總結(jié)，否則它會表示，自己早已忘記你之前說過的話。

當然，你們之間的交流都會以文字的形式保存在聊天記錄里，方便你隨時回顧。

語音功能很美好，但需要警惕 AI 幻覺問題，這也是語音交流的弊端，相比于在面對文字時的冷靜客觀，語音交流更容易讓人忘記審核信息真實性，以至于一不小心就翻車。

嘴笨的朋友有福了，面對職場同事的含沙射影，卻不懂怎么高情商說話？

那你可以扮演難纏的同事，反過來跟著豆包學(xué)習(xí)如何三句話從職場菜鳥秒變達人，而更普遍的客服場景也向我們徐徐展開，具體含金量如何，不妨看看下面這段對話：

問：你們發(fā)貨的食品保質(zhì)期過了，退貨！�。�

答：非常抱歉給您帶來了不好的體驗。請您先別生氣，我們會馬上為您處理退貨事宜。出現(xiàn)這樣的情況確實是我們的失誤，我們會加強對發(fā)貨商品的檢查，確保以后不會再發(fā)生類似的問題。您看是選擇快遞上門取件還是您自行寄回呢？我們會盡快為您辦理退款，再次向您表示深深的歉意。

當然，語音交流也有其局限性，如不適合描述數(shù)學(xué)符號、不確定的時間或發(fā)音不標準等問題，偶爾空耳也是意料之中的事。

為什么說 AI 語音比人類更快、更懂你？

越來越多的 AI 語音類產(chǎn)品如雨后春筍般涌現(xiàn)出來。

國外，ChatGPT 高級語音模式、Gemini Live 正在引領(lǐng)浪潮，國內(nèi)也有豆包、海螺 AI 等語音功能強勢崛起。在應(yīng)用商店簡單搜索「AI 語音」，便有無數(shù) APP 如潮水般洶涌而來。

從十三年前的 Siri，到如今的豆包 AI 語音功能，押注語音，實則是在押注下一代交互方式。

一項來自斯坦福的研究指出，人類說話的速度是在鍵盤上打字的三倍，甚至可能是普通人在移動設(shè)備上打字速度的五倍。

用最高效，最方便的形式獲取信息是人的本性，也是信息交流的金科玉律。

眼睛是人類獲取信息最重要的途徑，而嘴巴則是輸出信息的關(guān)鍵渠道�；诖�，AI 自然的人機交互方式理應(yīng)是人類通過視覺接收信息，同時通過語音傳達指令。

此外，作為天生的傾聽者，AI 通過提供擬人化的聲音陪伴，能夠增強用戶的陪伴感。

我尤其喜歡這類工具普遍存在的「克隆聲音」功能。用戶只需念一段話，即可克隆自己的聲音，這與 iPhone 的無障礙「個人語音」功能有些類似，能夠?qū)⑺鶒鄣娜擞寐曇袅舸嫦聛怼?/p>

相比之下，iPhone 上的這個功能使用起來耗時更長，克隆效果也稍顯遜色。

當時蘋果表示，這項功能是為那些有失去說話能力風(fēng)險的人設(shè)計的，比如被診斷出患有 ALS （肌萎縮側(cè)索硬化癥）的病人。

實際上，過去，TTS 技術(shù)生成的聲音往往比較機械，缺乏自然語音的韻律、節(jié)奏和情感表達，聽起來比較生硬，不像是真人在說話。

但現(xiàn)在從 GPT-4o、豆包等身上，我們已經(jīng)見過不少進入擬人階段，未來甚至可能超越人類水平，生成超出人類聲線的合成聲音。

在近日舉辦的 2024 火山引擎 AI 創(chuàng)新巡展上海站上，字節(jié)跳動還揭秘了豆包大模型語音能力的最新技術(shù)成果。其中，Seed-ASR 提供了語音識別能力支持。

這是一款 ASR（自動語音識別）成果。它能準確轉(zhuǎn)錄各種語音信號，識別不同語言、方言、口音。對于人名、生詞，Seed-ASR 也能結(jié)合文本語音等上下文，實現(xiàn)更準確轉(zhuǎn)錄。

對比此前發(fā)布的大型 ASR 模型，Seed-ASR 在中英文公開測試集上，單詞錯誤率（面向中文以單個字計算）降低 10%-40% 。

與圖形界面交互不同，人類天生擅長通過談話交流信息。而相比于最親密的親朋好友，只有 AI 才能做到 24 小時的信息秒回。

凌晨三點，你給旁人打電話，他未必會搭理你。但你要是發(fā)給 AI，他會第一時間回復(fù)你。

這或許也是當下我們對 AI 語音最大的期待，不指望它能發(fā)出多么人性化的聲音，而在于它的陪伴本身。

本文來源：Appso

網(wǎng)友評論

聚超值•精選

推薦 手機 筆記本 影像 硬件 家居 商用 企業(yè) 出行 未來
二維碼 回到頂部