近日，亚马逊震撼发布了其最新一代生成式AI模型——Nova Sonic，这款模型在语音处理领域实现了重大突破，能够生成自然流畅的语音，为语音交互技术树立了新的标杆。
据亚马逊官方介绍，Nova Sonic在速度、语音识别以及对话质量等多个关键指标上，表现与OpenAI和谷歌的前沿语音模型不相上下。这一成就标志着亚马逊在AI语音技术上的显著进步，也是对近年来新兴AI语音模型的有力回应。
与亚马逊早期的Alexa等模型相比，Nova Sonic在语音交互时更加自然流畅，用户体验得到了显著提升。这一转变得益于Nova Sonic强大的语音处理能力，它不仅能够准确识别用户的语音指令，还能在对话中展现出更加自然的语言风格。
为了让更多开发者能够利用Nova Sonic的强大功能，亚马逊将其通过Bedrock开发者平台向用户开放。该平台是专为构建企业级AI应用而设计的工具，而Nova Sonic则通过一个全新的双向流式API接入，使得开发者能够轻松地将该模型集成到自己的应用中。
在价格方面，亚马逊声称Nova Sonic是市场上“最具成本效益”的AI语音模型。与OpenAI的GPT-4o相比，Nova Sonic的价格便宜了约80%，这无疑将吸引更多开发者选择该模型。
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·普拉萨德透露，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。这一消息进一步证明了Nova Sonic的强大实力。
普拉萨德还表示，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。它能够根据上下文信息判断何时需要从互联网获取实时信息、解析专有数据源或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展现出了出色的等待“合适时机”发言的能力。它能够准确判断说话者的停顿和打断情况，确保对话的流畅性和自然性。Nova Sonic还能够为用户的语音生成文本记录，这些文本记录可以被开发者用于各种应用场景。
在语音识别方面，Nova Sonic的表现同样令人瞩目。据普拉萨德介绍，该模型在语音识别错误方面比其他AI语音模型更少。即使在用户咕哝、说错话或处于嘈杂环境中时，Nova Sonic也能够准确理解用户的意图。在一项跨语言和方言的语音识别基准测试中，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仅为4.2%。
在衡量多人参与的高音量互动的基准测试中，Nova Sonic也展现出了出色的表现。与OpenAI的GPT-4o-transcribe模型相比，Nova Sonic在单词错误率方面准确率高出46.7%。同时，Nova Sonic还拥有行业领先的速度，其平均感知延迟为1.09秒，比OpenAI的GPT-4o模型更快。
普拉萨德强调，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。未来，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”。
由普拉萨德负责的亚马逊AGI部门在公司产品战略中扮演着越来越重要的角色。上周，亚马逊刚刚推出了Nova Act的预览版，该模型似乎为Alexa+和亚马逊的“代我购买”功能的部分元素提供了支持。从Nova Sonic开始，亚马逊希望将更多内部的AI模型提供给开发者使用，以助力他们构建各种创新应用。
