HHPOKER是一款為德?lián)淙酆谜叽蛟斓脑诰€德?lián)淦脚_。我們應(yīng)用了先進(jìn)的技術(shù)和傳統(tǒng)德?lián)涞木?為您帶來蕞真實(shí)、驚心動魄的德州體驗(yàn)。無論您是初學(xué)者還是職業(yè)玩家,撲克王都能滿足您的需求,讓您隨時(shí)隨地都能...
三、字節(jié)加速語音能力對外輸出，合成、識別、翻譯能力全面提升
隨著大模型技術(shù)的發(fā)展，如今的語音交互實(shí)現(xiàn)了語音理解與生成在同一模型中的協(xié)同完成，能夠更自然流暢地進(jìn)行對話。
用戶還可在地址欄的右側(cè)找到網(wǎng)頁播客按鈕，點(diǎn)擊后便可立即收聽AI播客。
去年，GPT-4o向世界展示了“真人感”語音交互的可能性，但在中文表現(xiàn)上仍有局限。而火山引擎今年年初發(fā)布的豆包·實(shí)時(shí)語音模型，憑借更強(qiáng)的中文理解力和高情商反饋，展現(xiàn)了中文語音交互的理想雛形。
除了依賴豆包·實(shí)時(shí)語音模型在預(yù)訓(xùn)練階段培養(yǎng)的擬人化交互能力，有監(jiān)督微調(diào)（SFT）也對播客模型交互性、真實(shí)感的提升起到了重要作用。該團(tuán)隊(duì)對數(shù)據(jù)進(jìn)行了細(xì)致的打磨與標(biāo)注，為模型學(xué)習(xí)真人交互感提供了重要參考。
字節(jié)還在近期將其語音合成模型Seed-TTS升級至2.0版本，進(jìn)一步提升模型表現(xiàn)力，提供給用戶更豐富的指令控制能力；Seed-ASR語音識別模型基座再次升級，支持更友好的上下文理解能力，識別準(zhǔn)確率進(jìn)一步提升；端到端同聲傳譯模型已經(jīng)在豆包和飛書內(nèi)部落地，在教育、金融、體育等等領(lǐng)域的中英互譯效果已媲美人類譯員。
要與這款實(shí)時(shí)語音模型對話，用戶僅需在豆包App中點(diǎn)擊右上角的電話按鈕。在實(shí)測中，這款模型的“擬人感”讓人印象深刻，在語氣、用語、思考方式上更接近人類，可根據(jù)用戶情緒和語境提供實(shí)時(shí)的高情商回復(fù)，還能演會唱，支持打斷和主動搭話。
為實(shí)現(xiàn)上述效果，豆包·語音播客模型先是對播客這一內(nèi)容形式進(jìn)行了詳細(xì)的體驗(yàn)拆解，分析真人對話的節(jié)奏、自然度、信息密度等維度，基于這些認(rèn)知，對模型的輸出效果進(jìn)行調(diào)整。
豆包·實(shí)時(shí)語音模型的端到端語音系統(tǒng)框架是實(shí)現(xiàn)這一切的基礎(chǔ)。這一框架面向語音生成和理解進(jìn)行統(tǒng)一建模，實(shí)現(xiàn)多模態(tài)輸入和輸出效果，從根本上避免了傳統(tǒng)級聯(lián)系統(tǒng)的種種劣勢。
在豆包端到端語音對話系統(tǒng)基礎(chǔ)上打造的豆包·語音播客模型，也在會上正式亮相。這一模型可在數(shù)秒內(nèi)生成雙人對話式播客作品，效果自然，具有互相附和、插話、猶豫等播客節(jié)奏，為用戶帶來了以假亂真的收聽體驗(yàn)。
其實(shí)，在過去很長一段時(shí)間內(nèi)，AI播客屆的明星產(chǎn)品一直是來自谷歌的NotebookLM。在智東西的日常體驗(yàn)中，NotebookLM能圍繞既有材料和信息，以雙人播客形式輸出內(nèi)容，但是內(nèi)容的自然度、流暢度上仍稍顯欠缺，在中文場景尤為明顯。
語音交互的龐大潛力，已在業(yè)內(nèi)成為共識。這一交互形態(tài)原生的沉浸感、陪伴感，使其在語音助手、AI硬件、內(nèi)容制作與消費(fèi)等領(lǐng)域展現(xiàn)出獨(dú)特的優(yōu)勢和廣闊的應(yīng)用場景。隨著生成式AI驅(qū)動的語音技術(shù)不斷進(jìn)化，語音或許有望成為下一代人機(jī)交互的主要入口之一。
無論是對行業(yè)頭部的專業(yè)創(chuàng)作者和機(jī)構(gòu)，還是個(gè)人創(chuàng)作者而言，高度擬真的AI播客模型，都有望降低制作成本，擴(kuò)展內(nèi)容的豐富程度，提升創(chuàng)作效率。
豆包·語音播客模型所生成播客的部分文字稿
豆包·語音播客模型能對用戶上傳的信息進(jìn)行改造，使其更適合聽眾消費(fèi)。例如，智東西上傳了長達(dá)2萬余字的論文本身采取了相對結(jié)構(gòu)化的寫作模式，如果照搬原文行文邏輯，播客的收聽體驗(yàn)將會大打折扣。
下方案例中，豆包不但根據(jù)“5歲孩子”的語境信息調(diào)整了所傳達(dá)的信息，使用了極具親和力的語氣，二者相輔相成，很好地完成了交互的目的。模型生成這段語音的速度極快，在實(shí)際使用中用戶對延遲的感知并不明顯。
在昨日下午的AI應(yīng)用分論壇上，葉順平向外界透露豆包語音模型家族未來的發(fā)展方向。在全量上線后，豆包·實(shí)時(shí)語音模型將會提供更多音色，玩法方面擴(kuò)展音色克隆、歌唱能力等等。近期，豆包在歌唱場景的指令遵循、音準(zhǔn)等屬性已迎來提升。
以上2款模型只是豆包語音模型家族的冰山一角。
令人驚喜的是，得益于預(yù)訓(xùn)練階段的大量數(shù)據(jù)泛化，模型已涌現(xiàn)出初步的方言與口音模仿能力，顯示出語言遷移與適應(yīng)能力。
此外，由于各模塊獨(dú)立運(yùn)行，此類系統(tǒng)難以理解語音中的情緒、語氣和停頓等副語言信息，使得語音交互始終“人機(jī)感”濃重。
這正是豆包·語音播客模型想要解決的問題。這一模型在實(shí)時(shí)語音模型的基座之上，對中文播客場景做了針對性優(yōu)化，使播客內(nèi)容、結(jié)構(gòu)和對話推進(jìn)更符合中文特點(diǎn)，包括口語化、雙人互動等，對話節(jié)奏和感覺也更接近真人主播。
二、AI播客賽道熱度不減，國產(chǎn)方案如何打造差異化優(yōu)勢？
豆包生成的播客文稿中有大量的語氣詞、附和、停頓，這很好地模擬了真人專業(yè)博客中的口語習(xí)慣，有效提升了擬人程度。
在昨日大會期間舉辦的AI應(yīng)用專場論壇中，字節(jié)跳動語音產(chǎn)研負(fù)責(zé)人葉順平透露，目前，字節(jié)語音技術(shù)涵蓋了音頻生成與創(chuàng)作、音頻理解與生成和音樂理解與生成三大能力矩陣，可在語音助手、智能客服、在線教育、虛擬陪伴、有聲內(nèi)容生產(chǎn)等場景發(fā)揮價(jià)值，日均語音處理量達(dá)到約150億次，應(yīng)用到超30個(gè)行業(yè)。
專業(yè)播客創(chuàng)作者也參與到了這一過程中，與模型團(tuán)隊(duì)共同探索和生產(chǎn)高質(zhì)量數(shù)據(jù)，并在評測中不斷優(yōu)化模型生成的內(nèi)容。
通過提供種種更多的選擇，豆包·語音播客模型有望進(jìn)一步釋放用戶在播客和泛音頻內(nèi)容場景的消費(fèi)潛力。
豆包·語音播客模型未來或?qū)⒅С謫慰诓タ?、多人對談播客等形式，甚至探索互動播客的形式——允許用戶在收聽過程中插話，甚至影響播客的內(nèi)容走向。
過去的AI語音交互系統(tǒng)大多采用多階段級聯(lián)架構(gòu)，包含語音識別、文本生成和語音合成三大模塊，冗長的處理鏈路限制了響應(yīng)速度、控制能力和多模態(tài)一致性。
豆包·實(shí)時(shí)語音模型即將上線的“聲音復(fù)刻”能力，可以視作是上述高階能力的延申。聲音復(fù)刻實(shí)現(xiàn)了從“復(fù)刻音色”到“復(fù)刻表達(dá)”的全面升級，不僅能通過少量語音樣本高度還原用戶音色，更能在對話中根據(jù)語境復(fù)刻情緒與語氣，實(shí)現(xiàn)情感一致、自然擬人的語音表達(dá)。
亮眼數(shù)據(jù)背后，是字節(jié)在語音技術(shù)方面的持續(xù)投入。端到端架構(gòu)的應(yīng)用為語音交互注入了“靈魂”；數(shù)據(jù)收集、預(yù)訓(xùn)練、后訓(xùn)練的協(xié)同作用，賦予了模型情感表現(xiàn)力和洞察力；強(qiáng)化學(xué)習(xí)等技術(shù)的引入，也為模型的持續(xù)優(yōu)化和智能水平提升提供了有力支持。
近期爆火的豆包·語音播客模型，已在實(shí)踐中展現(xiàn)出了幾大可優(yōu)化的方向。未來，這一模型生成的播客信息密度會進(jìn)一步提高，用于提升對話自然度的語氣詞、句式會更加多樣化，不僅只有簡單的承接，還能有觀點(diǎn)的交流與碰撞。
結(jié)語：押注下一代交互入口，字節(jié)搶占領(lǐng)先身位
作為國內(nèi)少數(shù)在語音模型側(cè)和語音交互產(chǎn)品側(cè)都占據(jù)行業(yè)領(lǐng)先身位的玩家，字節(jié)有望通過底層技術(shù)的持續(xù)提升和真實(shí)數(shù)據(jù)指導(dǎo)下的能力優(yōu)化，為行業(yè)和用戶帶來更加智能、便捷和自然的語音交互體驗(yàn)。
一、語音交互人機(jī)感太重？用端到端架構(gòu)給AI注入“靈魂”
更進(jìn)一步，豆包實(shí)時(shí)語音模型具備豐富的高階語音控制與演繹能力。它不僅能根據(jù)用戶的復(fù)雜指令進(jìn)行語音風(fēng)格的精細(xì)調(diào)控，如語速、語調(diào)、節(jié)奏等，還擁有不錯(cuò)的情緒演繹能力，能在喜怒哀樂之間自然切換，并在講故事、角色對話等任務(wù)中表現(xiàn)出極強(qiáng)的表現(xiàn)力和聲音創(chuàng)造力。
國產(chǎn)語音模型又進(jìn)化啦！
這一模型的推出，恰逢播客市場的蓬勃增長?！?025播客營銷白皮書》顯示，2024年，全球播客聽眾數(shù)量約為5億人，播客市場規(guī)模預(yù)計(jì)突破300億美元，同年，中文播客聽眾數(shù)量的增速達(dá)到43.6%，位居全球第一，2025年預(yù)計(jì)這一數(shù)字預(yù)計(jì)將突破1.5億。
目前，這一播客模型已經(jīng)可在豆包PC端、扣子空間等產(chǎn)品中體驗(yàn)。在豆包PC端，用戶可上傳PDF文檔或是添加網(wǎng)頁鏈接來生成播客。這一模型的生成速度極快，在智東西上傳一篇論文后，豆包在幾秒內(nèi)便返回了可供收聽的播客。
但模型并未受到原文本的影響，會以問答的形式推進(jìn)播客。每個(gè)問答的長度適中，凝練的問題為聽眾提供了更為清晰的收聽體驗(yàn)，不會在長篇大論中失去方向。
這些技術(shù)突破共同推動了豆包語音模型家族在實(shí)時(shí)語音交互、語音播客等場景下的出色表現(xiàn)，也讓我們看見了國產(chǎn)語音模型的廣闊前景。
當(dāng)下，豆包·語音播客模型提供了一男一女兩個(gè)音色，不過不同風(fēng)格的音色已經(jīng)在開發(fā)中。未來，這款模型還可能探索更為豐富的音色組合，例如給娛樂、科技等不同細(xì)分領(lǐng)域的播客提供不同音色，提升收聽體驗(yàn)。
未來，字節(jié)跳動將大力加速語音能力對外輸出。相關(guān)舉措包括全量開放豆包·實(shí)時(shí)語音模型、提供更多豆包同款音色，播客模型也有望在近期對外部客戶開放。對業(yè)內(nèi)企業(yè)而言，字節(jié)語音模型家族近期的集中上新，意味著革新業(yè)務(wù)的機(jī)遇。
豆包語音模型家族在不斷擴(kuò)展，其最新成員之一是于今年5月下旬推出的豆包·語音播客模型。
智東西6月12日報(bào)道，昨天，在火山引擎Force原動力大會上，豆包語音模型家族迎來上新，豆包·實(shí)時(shí)語音模型全量上線火山方舟，并對企業(yè)客戶開放使用。
京公網(wǎng)安備 11010702001433號