Δοκιμή μεθόδου εισαγωγής τεχνητής νοημοσύνης CosyVoice της Alibaba σε πραγματικό κόσμο: Είσοδος χωρίς χέρια, έξοδος ομιλίας σε κείμενο, ομαλότητα που ξεπερνά κατά πολύ τις προσδοκίες

Θέλετε να ζήσετε την πραγματική ελευθερία χωρίς χέρια; Αυτό το άρθρο παρέχει ένα εις βάθος τεστ βασισμένο στις 1000 ερωτήσεις της Alibaba.AIΤο CosyVoice, μια μέθοδος εισαγωγής, σας προσφέρει μια γεύση από την απόλυτη ομαλή εμπειρία της «δημιουργίας προσχεδίων μόλις μιλήσετε».

είτε είσαιαυτο-μέσαΕίτε είστε συγγραφέας, είτε υπάλληλος γραφείου, είτε κάποιος που αναζητά υψηλή παραγωγικότητα, αυτή η αξιολόγηση και ο οδηγός χρήσης της λειτουργίας CosyVoice θα σας πουν αν είναι πραγματικά χρήσιμη και πώς να τη χρησιμοποιήσετε για να διπλασιάσετε την αποδοτικότητά σας. Ξεκλειδώστε την τελευταία τεχνολογία γραφής κειμένου με βάση τη φωνή και την τεχνητή νοημοσύνη τώρα!

Πολλοί άνθρωποι έχουν βιώσει τις «παγίδες της φωνητικής εισαγωγής» κατά τη συγγραφή άρθρων. Αφού εκφωνήσουν μια μεγάλη παράγραφο, η οθόνη γεμίζει με «εεε», «αυτό» και «ναι, σωστά», γεγονός που καθιστά απογοητευτική τη διαγραφή της. Μόνο όταν εμφανίστηκε η μέθοδος εισαγωγής CosyVoice της Alibaba συνειδητοποίησα ότι η φωνητική εισαγωγή μπορεί πραγματικά να επιτύχει «ελεύθερη ομιλία και όμορφη γραφή».

Χρονική σήμανση βίντεο:

Πρώτος γύρος εμπειρίας: Δημιουργείται καθαρό προσχέδιο με ένα κλικ, οι λέξεις συμπλήρωσης εξαφανίζονται αμέσως.

Το μεγαλύτερο μειονέκτημα της παραδοσιακής φωνητικής εισαγωγής είναι η υπερβολική χρήση λέξεων συμπλήρωσης. Όταν κρατάτε σημειώσεις σε μια σύσκεψη, μιλάτε πολύ, αλλά το κείμενο που προκύπτει είναι ένα χάος.

Προσπάθησα να χρησιμοποιήσω τη μέθοδο εισαγωγής Qianwen για να πω μια πρόταση:

«Εμμ...αυτή...η έκθεση προόδου του έργου την επόμενη εβδομάδα, παρακαλώ προετοιμάστε τα δεδομένα εκ των προτέρων και βεβαιωθείτε ότι δεν θα παραλείψετε τίποτα.»

Το αποτέλεσμα που εμφανίστηκε στην οθόνη ήταν:

«Παρακαλούμε προετοιμάστε τα δεδομένα σας εκ των προτέρων για την αναφορά προόδου του έργου της επόμενης εβδομάδας και βεβαιωθείτε ότι δεν θα παραλείψετε τίποτα.»

Όλες οι φράσεις μου εξαφανίστηκαν αμέσως, σαν κάποιος να είχε σκουπίσει το χειρόγραφό μου. Ακόμα πιο εκπληκτικό ήταν ότι μπορούσε αυτόματα να τις οργανώσει σε μια λίστα:

1. Υποβολή αναφοράς προόδου έργου
2. Ολοκλήρωση της λύσης απαιτήσεων
3. Καθορίστε το σχέδιο μάρκετινγκ

Εκείνη τη στιγμή, ένιωσα πραγματικά ότι επρόκειτο για ένα εντελώς διαφορετικό είδος από την παραδοσιακή φωνητική εισαγωγή.

Δεύτερος γύρος εμπειρίας: Απρόσκοπτη αλλαγή λέξεων, η λεκτική αφήγηση γίνεται αμέσως ένα τυπικό email.

Δοκίμασα σκόπιμα τις δυνατότητές του για διόρθωση σφαλμάτων:

«Η αυριανή συνάντηση θα γίνει στην αίθουσα συσκέψεων αριθμός δύο στον τρίτο όροφο—όχι, όχι, ας την αλλάξουμε σε αίθουσα συσκέψεων αριθμός τρία στον τρίτο όροφο.»

Αναφέρει άμεσα: «Η αυριανή συνάντηση θα πραγματοποιηθεί στην αίθουσα συνεδριάσεων αριθμός τρία στον τρίτο όροφο».
Η αλλαγή διεύθυνσης δεν άφησε κανένα ίχνος, τόσο φυσική όσο μια συζήτηση με ένα άτομο.

Αυτό που με εξέπληξε ακόμη περισσότερο ήταν ότι μπορούσε να μετατρέψει απευθείας τις προφορικές λέξεις σε email. Είπα:

«Μπορείτε παρακαλώ να μου το γράψετε αυτό σε επίσημη μορφή email; Θα ήθελα να προγραμματίσω μια συνάντηση με τον κ. Zhang στις 3 μ.μ. την Πέμπτη σχετικά με το σχέδιο προώθησης της επωνυμίας για το τρίτο τρίμηνο. Αν δεν είναι βολικό για αυτόν, μπορούμε να κάνουμε τις απαραίτητες διευθετήσεις.»

Λίγα δευτερόλεπτα αργότερα, δημιουργήθηκε ένα πλήρες email:

Θέμα: Πρόσκληση για επικοινωνία σχετικά με το "Σχέδιο προώθησης επωνυμίας για το τρίτο τρίμηνο"

Κύριε Ζανγκ, γεια σας:

Για να προωθήσω καλύτερα αυτό το σχέδιο, θα ήθελα να συζητήσω μερικά βασικά σημεία μαζί σας αυτοπροσώπως. Θα ήταν μια βολική ώρα για εσάς στις 3:00 μ.μ. αυτήν την Πέμπτη; Εάν όχι, παρακαλώ δώστε μου μια πιο βολική ώρα και θα το κανονίσω.

谢谢!
Τμήμα Μάρκετινγκ Xiao Li

Στο παρελθόν, η σύνταξη τέτοιων email διαρκούσε τουλάχιστον τρία έως πέντε λεπτά, αλλά τώρα χρειάζονται μόνο δέκα δευτερόλεπτα, μια τεράστια βελτίωση στην αποτελεσματικότητα.

Τρίτος γύρος δοκιμών: Η αναγνώριση διαλέκτου έγινε πλήρως και η μετατροπή σε μορφή αριθμού ήταν αυτόματη.

Μια άλλη σημαντική πρόκληση με την φωνητική εισαγωγή είναι οι διάλεκτοι. Το CosyVoice, ωστόσο, το χειρίζεται αυτό με ευκολία.

Ο φίλος μου από τη Σαγκάη είπε: «Ο καιρός είναι τόσο καλός σήμερα, ας πάμε στο Μπαντ για μια βόλτα».
Μεταγράφηκε ως: «Ο καιρός είναι τόσο καλός σήμερα, ας πάμε στο Μπαντ».

Μπορεί να κατανοήσει όχι μόνο τα κινεζικά της Σαγκάης, αλλά και τα καντονέζικα και τα σετσουανέζικα. Για τους επαγγελματίες που χρειάζεται να επικοινωνούν σε διαφορετικές περιοχές, αυτή η λειτουργία είναι σωτήρια.

Ακόμα καλύτερα, μπορεί να αναγνωρίζει αυτόματα τις μορφές αριθμών. Για παράδειγμα, το "12.6%" μετατρέπεται απευθείας σε "12,6%". Το "3.58 εκατομμύρια" μετατρέπεται αυτόματα σε "358 εκατομμύρια". Δεν απαιτείται πλέον χειροκίνητη επεξεργασία σε οικονομικά και δεδομένα σενάρια.

Τέταρτος γύρος εμπειρίας: Δεξιότητες λέξεων-κλειδιών για τη βελτίωση της αναγνώρισης εξειδικευμένου λεξιλογίου

Φυσικά, δεν είναι τέλειο. Η αναγνώριση των εξειδικευμένων κύριων ουσιαστικών εξακολουθεί να είναι κάπως ελλιπής. Για παράδειγμα, όταν λέω «du jia», το αναγνωρίζει ως «du jia», κάτι που χάνει εντελώς το νόημα.

Ευτυχώς, η επίσημη τεκμηρίωση παρέχει μια λειτουργία "Hot Word Skill", η οποία επιτρέπει στους χρήστες να προσθέτουν χειροκίνητα προσαρμοσμένες λέξεις. Μετά την προσθήκη αυτών, το ποσοστό ακρίβειας βελτιώνεται σημαντικά. Πρόκειται για μια πρακτική διορθωτική λύση.

Περίληψη Πρακτικής Δοκιμασίας: Το Άλμα από τη Φωνητική Εισαγωγή ως Επιλογή στην Κύρια Λύση

Το μεγαλύτερο συμπέρασμα από το τεστ είναι ότι η μέθοδος εισαγωγής Qianwen δεν «μεταγράφει απλώς ήχο», αλλά «καταλαβαίνει τι θέλετε να πείτε».

• Αφαιρέστε αυτόματα τις λέξεις συμπλήρωσης, πείτε αντίο στη χειροκίνητη διαγραφή και επεξεργασία.
• Η αλλαγή διεύθυνσης ήταν απρόσκοπτη, τόσο φυσική όσο μια συζήτηση με ένα πραγματικό άτομο.
• Οι προφορικές λέξεις μετατρέπονται απευθείας σε email και τα προσχέδια δημιουργούνται σε δέκα δευτερόλεπτα.

Ο συνδυασμός αυτών των τριών δυνατοτήτων έχει μετατρέψει την φωνητική εισαγωγή από μια «προαιρετική» λύση σε μια πραγματική «κύρια λύση».

Η αξία της δεν έγκειται στο να κάνει τους ανθρώπους να πιστεύουν «η τεχνολογία είναι καταπληκτική», αλλά στο να τους κάνει να πιστεύουν «λειτουργεί πολύ καλά». Έτσι πρέπει να είναι μια μέθοδος εισαγωγής δεδομένων από την Τεχνητή Νοημοσύνη.

Συμπερασματικά, το μέλλον της φωνητικής εισαγωγής έχει φτάσει. Η πραγματική ευφυΐα έγκειται στο να είναι εύκολη στη χρήση.

Σε αυτήν την εποχή της υπερφόρτωσης πληροφοριών, η αποτελεσματικότητα ισοδυναμεί με παραγωγικότητα. Η μέθοδος εισαγωγής CosyVoice της Alibaba, με την «ομαλή» εμπειρία χρήστη, καταδεικνύει ότι η φωνητική εισαγωγή δεν είναι πλέον ένα τέχνασμα, αλλά ένα εργαλείο που μπορεί πραγματικά να μεταμορφώσει τον τρόπο που εργαζόμαστε.

Μας απαλλάσσει από την κουραστική επεξεργασία και μας επιτρέπει να επικεντρωθούμε στο ίδιο το περιεχόμενο.

Η γραφή του μέλλοντος δεν θα αφορά πλέον το χτύπημα των δακτύλων σε ένα πληκτρολόγιο, αλλά την άμεση ροή των σκέψεων και της γλώσσας.

Η αληθινή νοημοσύνη δεν αφορά την επίδειξη τεχνολογίας, αλλά το να κάνει τα πράγματα εύκολα στη χρήση για τους ανθρώπους.