在智能體時(shí)代加速到來(lái)的背景下，人工智能企業(yè)云知聲正式發(fā)布“山海·知音”大模型2.0版本。此次發(fā)布標(biāo)志著云知聲“一基兩翼”技術(shù)戰(zhàn)略升級(jí)的關(guān)鍵拼圖已完成，在“山海·Atlas”通用智算基座的支撐下，公司正推動(dòng)垂直專(zhuān)業(yè)智能體加速惠及千行百業(yè)與千家萬(wàn)戶(hù)。

作為云知聲“山海”系列的核心交互入口，“山海·知音”2.0依托“山海·Atlas”的多模態(tài)、跨語(yǔ)言基座能力，實(shí)現(xiàn)了聽(tīng)懂專(zhuān)業(yè)術(shù)語(yǔ)與鄉(xiāng)音、聊出親情溫度、極致機(jī)敏反應(yīng)三大核心進(jìn)化，重新定義了人機(jī)語(yǔ)音交互的行業(yè)標(biāo)準(zhǔn)。

ASR全景升級(jí)，復(fù)雜場(chǎng)景識(shí)別準(zhǔn)確率首破90%

語(yǔ)音識(shí)別（ASR）是人機(jī)交互的第一道關(guān)口。據(jù)公開(kāi)測(cè)試集與自有全場(chǎng)景測(cè)試集顯示，“山海·知音”2.0在通用及極端場(chǎng)景下均展現(xiàn)出領(lǐng)先實(shí)力，性能超過(guò)國(guó)內(nèi)主流開(kāi)源及閉源語(yǔ)音大模型。特別是在高噪與方言口音場(chǎng)景下，模型性能較主流ASR提升2.5%至3.6%，復(fù)雜背景音識(shí)別準(zhǔn)確率業(yè)內(nèi)首次突破90%。

更值得關(guān)注的是其“理解式”識(shí)別能力。不同于傳統(tǒng)“聽(tīng)字”模式，該模型能結(jié)合上下文與行業(yè)知識(shí)精準(zhǔn)識(shí)別專(zhuān)業(yè)術(shù)語(yǔ)。在醫(yī)療場(chǎng)景中，可顯式注入“依帕司他”等專(zhuān)業(yè)詞匯進(jìn)行定向增強(qiáng)；在汽車(chē)4S店場(chǎng)景中，能通過(guò)邏輯推理識(shí)別出未明確提及的“半幅方向盤(pán)”等專(zhuān)業(yè)描述。此外，模型支持30余種中文方言及14種國(guó)際語(yǔ)言轉(zhuǎn)寫(xiě)，并融合視覺(jué)語(yǔ)義構(gòu)建“視聽(tīng)融合”閉環(huán)，進(jìn)一步提升識(shí)別魯棒性。

TTS聲動(dòng)進(jìn)化，端到端流式架構(gòu)實(shí)現(xiàn)90毫秒低延遲

如果說(shuō)ASR是“耳朵”，語(yǔ)音合成（TTS）則是“嘴巴”。“山海·知音”2.0的TTS能力以“高度擬人+創(chuàng)意多元”為核心，支持12種方言及10種外語(yǔ)合成，并能自然還原清嗓、笑聲、呼吸聲等細(xì)節(jié)，甚至可切換12種普通話(huà)風(fēng)格。針對(duì)小語(yǔ)種韻律難點(diǎn)，如日語(yǔ)“促音”、泰語(yǔ)“聲調(diào)變化”，合成自然度已接近母語(yǔ)使用者。

針對(duì)大模型語(yǔ)音合成普遍存在的高延遲痛點(diǎn)，云知聲創(chuàng)新性地設(shè)計(jì)了基于純因果注意力機(jī)制的流匹配模塊，并與神經(jīng)聲碼器聯(lián)合優(yōu)化，構(gòu)建出端到端純流式推理架構(gòu)。測(cè)試數(shù)據(jù)顯示，在低并發(fā)場(chǎng)景下，首包延遲已壓縮至90毫秒以?xún)?nèi)，在不損失音質(zhì)的前提下達(dá)到業(yè)界領(lǐng)先的實(shí)時(shí)交互水平。

全雙工交互，像朋友一樣隨時(shí)打斷、即時(shí)接話(huà)

真正的智能交互在于流暢的對(duì)話(huà)感。“山海·知音”2.0基于端到端交互大腦，攻克了流式收聲時(shí)同步完成理解、決策與生成的技術(shù)難題。新版本支持隨時(shí)打斷、即時(shí)接話(huà)與連貫追問(wèn)，解決了傳統(tǒng)級(jí)聯(lián)架構(gòu)在多輪對(duì)話(huà)中的卡頓與邏輯斷裂問(wèn)題，實(shí)現(xiàn)了“行云流水”的全雙工交互體驗(yàn)。

上述能力的實(shí)現(xiàn)，離不開(kāi)云知聲獨(dú)創(chuàng)的“山海·Atlas”智算一體基座。該基座將通用多模態(tài)大模型與基礎(chǔ)架構(gòu)深度整合，既是專(zhuān)業(yè)智能體的基礎(chǔ)，也是感知AI中樞的根基。通過(guò)將傳統(tǒng)ASR、TTS和全雙工能力有效整合到端到端大模型中，實(shí)現(xiàn)了傳統(tǒng)模塊級(jí)聯(lián)無(wú)法達(dá)到的極致交互效率。

從手術(shù)室到鄉(xiāng)間小路，從駕駛艙到老人床頭，“山海·知音”2.0的發(fā)布旨在讓AI不再“人工智障”，而是成為聽(tīng)得清、說(shuō)得真、懂人心的伙伴。此次升級(jí)不僅是技術(shù)參數(shù)的提升，更是AI技術(shù)融入生活、服務(wù)民生的重要實(shí)踐。