亚马逊推出全新 AI 语音模型 Nova Sonic，叫板 OpenAI 和谷歌

【导语】4月9日，亚马逊震撼发布新一代生成式AI模型——Nova Sonic，该模型能原生处理并生成自然流畅的语音，展现出与OpenAI和谷歌前沿语音模型相媲美的实力。作为亚马逊对新兴AI语音模型的有力回应，Nova Sonic不仅在语音交互上更加自然，还通过Bedrock开发者平台以极具成本效益的价格提供给用户。这一创新举措标志着亚马逊在人工通用智能（AGI）战略上迈出了重要一步，未来或将引领AI语音模型的新潮流。

　　4 月 9 日消息，亚马逊发布了名为(wèi) Nova Sonic 的(de)新(xīn)一(yī)代(dài)生(shēng)成(chéng)式(shì) AI 模(mó)型(xíng)，该(gāi)模(mó)型(xíng)能(néng)够(gòu)原(yuán)生(shēng)处(chù)理(lǐ)语(yǔ)音(yīn)并(bìng)生(shēng)成(chéng)自(zì)然(rán)流(liú)畅(chàng)的(de)语(yǔ)音(yīn)。据(jù)亚(yà)马(mǎ)逊(xùn)声(shēng)称(chēng)，Nova Sonic 在(zài)速(sù)度(dù)、语(yǔ)音(yīn)识(shi)别(bié)以(yǐ)及(jí)对(duì)话(huà)质(zhì)量(liàng)等(děng)关键指(zhǐ)标(biāo)的(de)基(jī)准(zhǔn)测(cè)试(shì)中(zhōng)，表(biǎo)现(xiàn)可(kě)与(yǔ) OpenAI 和(hé)谷(gǔ)歌(gē)的(de)前(qián)沿(yán)语(yǔ)音(yīn)模(mó)型(xíng)相(xiāng)媲(pì)美(měi)。

　　Nova Sonic 的(de)问(wèn)世(shì)是(shì)亚(yà)马(mǎ)逊(xùn)对(duì)新(xīn)兴(xìng) AI 语(yǔ)音(yīn)模(mó)型(xíng)的有力回应，例如为 ChatGPT 语音模式提供支持的模型，相较于亚马逊早期的 Alexa 等较为刻板的模型，这些新模型在语音交互时更加自然。

　　Nova Sonic 通过亚马逊的 Bedrock 开发者平台提供给用户，该平台是用于构建企业级 AI 应用的工具，Nova Sonic 则通过一个全新的双向流式 API 进行接入。在一份新闻稿中，亚马逊称 Nova Sonic 是市场上“最具成本效益”的 AI 语音模型，其价格比 OpenAI 的 GPT-4o 便宜约 80%。

　　据亚马逊高级副总裁兼人工通用智能（AGI）部门首席科学家罗希特・普拉萨德介绍，Nova Sonic 的部分组件已经为亚马逊升级版数字语音助手 Alexa+ 提供了动力支持。

　　普拉萨德表示，与竞争对手的 AI 语音模型相比，Nova Sonic 在将用户请求路由到不同 API 方面表现出色。这一能力使得 Nova Sonic 能够知晓何时需要从互联网获取实时信息、解析专有数据源，或者在外部应用程序中采取行动，并使用合适的工具来完成任务。

　　在双向对话中，Nova Sonic 会等待“合适的时机”发言，会考虑到说话者的停顿和打断等情况。此外，Nova Sonic 还能够为用户的语音生成文本记录，开发者可以将这些文本用于各种应用场景。

　　据普拉萨德介绍，Nova Sonic 在语音识别错误方面比其他 AI 语音模型更少，这意味着该模型即使在用户咕哝、说错话或者处于嘈杂环境中时，也相对擅长理解用户的意图。在一项衡量跨语言和方言的语音识别基准测试 —— 多语言 LibriSpeech 中，亚马逊表示 Nova Sonic 在英语、法语、意大利语、德语和西班牙语上的平均单词错误率（WER）仅为 4.2%。也就是说，在这些语言中，该模型每 100 个单词中大约有 4 个与人工转录的结果不同。

　　在另一项衡量多人参与的高音量互动的基准测试 —— 增强多方互动中，亚马逊称 Nova Sonic 在单词错误率方面比 OpenAI 的 GPT-4o-transcribe 模型准确率高出 46.7%。Nova Sonic 还拥有行业领先的速度，其平均感知延迟为 1.09 秒，亚马逊表示。这一速度比为 OpenAI 的实时 API 提供动力的 GPT-4o 模型更快，后者响应时间为 1.18 秒，这是根据人工分析的基准测试结果得出的。

　　普拉萨德称，Nova Sonic 是亚马逊构建人工通用智能（AGI）这一更广泛战略的一部分，公司定义 AGI 为“能够在计算机上完成人类所能做的一切事情的 AI 系统”。展望未来，普拉萨德表示，亚马逊计划推出更多能够理解不同模态（包括图像、视频和语音）的 AI 模型，以及“其他在将事物引入物理世界时相关的感官数据”。

　　由普拉萨德(dé)负(fù)责(zé)的(de)亚(yà)马(mǎ)逊(xùn) AGI 部(bù)门(mén)，如(rú)今(jīn)似(shì)乎(hu)在(zài)公(gōng)司(sī)产(chǎn)品(pǐn)战(zhàn)略(è)中(zhōng)扮(ban)演(yǎn)着(zhe)越(yuè)来(lái)越(yuè)重(zhòng)要(yào)的(de)角(jiǎo)色(sè)。就(jiù)在(zài)上(shàng)周(zhōu)，亚(yà)马(mǎ)逊(xùn)刚(gāng)刚(gāng)推(tuī)出(chū)了(le) Nova Act 的(de)预(yù)览(lǎn)版(bǎn)，这(zhè)是(shì)一(yī)个(gè)使(shǐ)用(yòng)浏(liú)览(lǎn)器(qì)的(de) AI 模(mó)型(xíng)，似(shì)乎(hu)为(wèi) Alexa+ 和(hé)亚(yà)马(mǎ)逊(xùn)的(de)“代(dài)我(wǒ)购(gòu)买(mǎi)”功(gōng)能(néng)的(de)部(bù)分(fēn)元(yuán)素(sù)提(tí)供(gōng)了(le)支(zhī)持(chí)。普(pǔ)拉(lā)萨(sà)德(dé)表(biǎo)示(shì)，从(cóng) Nova Sonic 开(kāi)始(shǐ)，公(gōng)司(sī)希(xī)望(wàng)将(jiāng)更(gèng)多(duō)内(nèi)部(bù)的(de) AI 模(mó)型(xíng)提(tí)供(gōng)给(gěi)开(kāi)发(fā)者(zhě)使(shǐ)用(yòng)，以(yǐ)助(zhù)力(lì)他(tā)们(men)构(gòu)建(jiàn)各(gè)种(zhǒng)应(yīng)用(yòng)。