Recentemente, a empresa Doubao anunciou o lançamento de seu novo modelo de linguagem de voz em tempo real, que afirma ter alcançado uma 'vantagem significativa' em conversas em chinês, marcando uma melhoria significativa na capacidade de diálogo da IA. Este modelo está totalmente disponível no aplicativo Doubao (versão 7.2.0, edição Ano Novo), proporcionando aos usuários uma experiência de comunicação de voz mais rica e realista. De acordo com a empresa, o modelo de linguagem de voz em tempo real da Doubao alcançou uma profunda integração entre a compreensão e a geração de voz, formando um sistema de diálogo por voz de ponta a ponta. Esse avanço tecnológico permitiu que o modelo melhorasse sua expressividade vocal, controle e emoções.

A Xihu Xingchen Technology Co., Ltd. lançou recentemente na Conferência Wai Tan o primeiro modelo de linguagem de voz universal ponta a ponta da China - Xingchen Lingo. Desde seu lançamento em 1º de agosto, após o período de inscrição para testes internos, o Xingchen Lingo demonstrou suas capacidades avançadas de processamento de voz ao público em 5 de setembro. O Xingchen Lingo pode entender diretamente a fala, captar tom, ritmo e emoção, e responder por meio de voz.

O modelo de linguagem de voz StarFire da iFLYTEK recebeu uma nova atualização, apresentando uma nova experiência de interação chamada "Interação ultrarrápida e hiper-humana StarFire". Esta atualização trouxe otimizações e melhorias em vários aspectos, com o objetivo de oferecer aos usuários uma experiência de conversa mais natural, fluida e emocional.

O modelo de linguagem full-duplex LSLM, desenvolvido em conjunto pela Universidade Jiao Tong de Xangai e a ByteDance, revoluciona a interação tradicional com assistentes de IA, permitindo a interação em tempo real, falando e ouvindo simultaneamente. A principal vantagem do LSLM é sua capacidade de processar simultaneamente entradas e saídas de voz, melhorando significativamente a fluidez e naturalidade da conversa. Combinando aprendizado autossupervisionado em fluxo com um decodificador baseado em tokens, o modelo suporta interação de voz em tempo real, mesmo em ambientes ruidosos. A estratégia de fusão intermediária do LSLM atinge o equilíbrio ideal entre geração de voz e interação em tempo real, demonstrando uma forte resistência a ruídos.