【导语】4月9日，亚马逊震撼发布新一代生成式AI模型——Nova Sonic，该模型能够高效处理并生成自然流畅的语音。据称，Nova Sonic在速度、语音识别及对话质量上已媲美行业前沿模型，标志着亚马逊在AI语音领域的重大突破。作为对市场新兴AI语音模型的有力回应，Nova Sonic通过Bedrock平台提供，以其成本效益和卓越性能引领市场潮流，预示着亚马逊在人工通用智能（AGI）战略上的深入布局。

　　4 月 9 日消息，亚马逊发布了名为 Nova Sonic 的新一代生成式 AI 模型(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)音模型相媲美。

　　Nova Sonic 的问世是亚马逊对新兴 AI 语音模型的有力回应，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(bìng)使(shǐ)用(yòng)合(hé)适(shì)的(de)工(gōng)具(jù)来(lái)完(wán)成(chéng)任(rèn)务(wu)。

　　在(zài)双(shuāng)向(xiàng)对(duì)话(huà)中(zhōng)，Nova Sonic 会(huì)等(děng)待(dài)“合(hé)适(shì)的(de)时(shí)机(jī)”发(fā)言(yán)，会(huì)考(kǎo)虑(lǜ)到(dào)说(shuō)话(huà)者(zhě)的(de)停(tíng)顿(dùn)和(hé)打(dǎ)断(duàn)等(děng)情(qíng)况(kuàng)。此(cǐ)外(wài)，Nova Sonic 还(hái)能(néng)够(gòu)为(wèi)用(yòng)户(hù)的(de)语(yǔ)音(yīn)生(shēng)成(chéng)文本(běn)记(jì)录(lù)，开(kāi)发(fā)者(zhě)可(kě)以(yǐ)将(jiāng)这(zhè)些(xiē)文本(běn)用(yòng)于(yú)各(gè)种(zhǒng)应(yīng)用(yòng)场(chǎng)景(jǐng)。

　　据(jù)普(pǔ)拉(lā)萨(sà)德(dé)介(jiè)绍(shào)，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(chū)的(de)。

　　普(pǔ)拉(lā)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(biǎo)示(shì)，亚(yà)马(mǎ)逊(xùn)计(jì)划(huà)推(tuī)出(chū)更(gèng)多(duō)能(néng)够(gòu)理(lǐ)解(jiě)不(bù)同(tóng)模(mó)态(tài)（包(bāo)括(kuò)图(tú)像(xiàng)、视(shì)频(pín)和(hé)语(yǔ)音(yīn)）的(de) AI 模(mó)型(xíng)，以(yǐ)及(jí)“其(qí)他(tā)在(zài)将(jiāng)事(shì)物(wù)引(yǐn)入(rù)物(wù)理(lǐ)世(shì)界(jiè)时(shí)相(xiāng)关的(de)感(gǎn)官(guān)数(shù)据(jù)”。

　　由(yóu)普(pǔ)拉(lā)萨(sà)德负责的亚马逊 AGI 部门，如今似乎在公司产品战略中扮演着越来越重要的角色。就在上周，亚马逊刚刚推出了 Nova Act 的预览版，这是一个使用浏览器的 AI 模型，似乎为 Alexa+ 和亚马逊的“代我购买”功能的部分元素提供了支持。普拉萨德表示，从 Nova Sonic 开始，公司希望将更多内部的 AI 模型提供给开发者使用，以助力他们构建各种应用。