2025年1月20日、豆包アプリは最新の「エンドツーエンド」音声大規模言語モデルを発表し、リアルタイム音声通話機能を大幅に更新しました。この進歩は、豆包の音声インタラクション分野における更なる飛躍を意味し、従来のASR（自動音声認識）、LLM（大規模言語モデル）、TTS（テキスト音声変換）の連携方式を凌駕し、音声認識、理解、生成を単一モデルに統合しました。『インテリジェント・エマージェンス』のテストによると、新型豆包アプリの最大の特徴は、人間のような表現力を持つ点です。

豆包社は先日、新たなリアルタイム音声大規模言語モデルを発表しました。中国語での対話において「断崖絶壁の進歩」を遂げたと謳っており、AIの対話能力が著しく向上したことを示しています。このモデルは豆包App（バージョン7.2.0新春版）で全面的に公開され、ユーザーにより豊かでリアルな音声コミュニケーション体験を提供します。豆包のリアルタイム音声大規模言語モデルは、音声理解と生成を深く融合させ、エンドツーエンドの音声対話システムを形成しています。この技術的ブレークスルーにより、モデルは音声表現力、制御力、感情表現において…

階躍星辰は先日、Stepシリーズモデル行列の新メンバーであるStep-1oエンドツーエンド音声大規模言語モデルを発表しました。これは国内初の千億パラメーターのエンドツーエンド音声大規模言語モデルとされています。この新モデルの発表は音声技術分野における大きな進歩を示しており、エンドツーエンドの音声ソリューションを通じて、音声の理解と生成を統合し、モデルの知性と感情の限界を向上させ、超自然的で高品質なコミュニケーション体験を実現します。

Meta AIは最近、SPIRIT LMと呼ばれる基礎的なマルチモーダル言語モデルを大々的にオープンソース化しました。このモデルはテキストと音声の自由な混合が可能で、音声とテキストのマルチモーダルタスクに新たな可能性を開きます。SPIRIT LMは70億パラメーターの事前学習済みテキスト言語モデルをベースに、テキストと音声のユニットで継続的に学習することで音声モダリティに拡張されました。テキストの大規模言語モデルのようにテキストを理解・生成できるだけでなく、音声の理解・生成も可能で、テキストと音声を混合して様々なものを創造することもできます。

西湖心辰は、開発したWestlake-Omniモデルのオープンソース化を発表しました。世界初のオープンソース中国語感情エンドツーエンド音声対話大規模言語モデルであるWestlake-Omniは、離散表現を用いてテキストと音声のモダリティを統一し、リアルタイム性を重視した設計となっており、迅速な応答とほぼゼロ遅延の体験を提供します。

2024年のCloud Computing Conference（雲棲大會）の開幕式で、巨人ネットワークは初登場し、「ゲーム＋AI」分野における最新の成果を発表しました。同社は、独自開発の2つの大規模言語モデルアプリケーションであるGiantGPTとBaiLing-TTSを発表し、AIデジタルヒューマンやAIペイントプラットフォームの巨人摹境などの新技術も展示しました。

西湖心辰科技有限公司は先日、外灘大会で国内初のエンドツーエンド汎用音声大規模言語モデルである心辰Lingoを正式発表しました。8月1日の発表以来、クローズドβテストを経て、9月5日に一般公開され、その高度な音声処理能力を披露しました。心辰Lingoは音声情報を直接理解し、トーン、リズム、感情を捉え、音声で応答することができます。

心辰Lingoは中国初のエンドツーエンド音声大規模言語モデルであり、内測予約が開始されました。このモデルはGPT-4に匹敵する能力を持つとされており、中国の音声AI分野における大きな進歩を示しています。心辰Lingoの主な利点としては、ネイティブの音声理解、多様な音声スタイル表現、高効率の音声モーダル圧縮などがあります。音声内のテキスト情報とその他の重要な特徴を認識し、自然で生き生きとした対話体験を提供し、コンテキストとユーザーの指示に応じて音声スタイルを柔軟に調整できます。高圧縮率の音声コーデックを採用し、心辰Lingoは…