آزمایش روش ورودی هوش مصنوعی CosyVoice علی‌بابا در دنیای واقعی: ورودی بدون دخالت دست، خروجی گفتار به متن، روانی فراتر از انتظارات

آیا می‌خواهید آزادی واقعی بدون دخالت دست را تجربه کنید؟ این مقاله یک آزمون عمیق بر اساس ۱۰۰۰ سوال علی‌بابا ارائه می‌دهد.AICosyVoice، یک روش ورودی، به شما امکان می‌دهد تا نگاهی اجمالی به تجربه‌ی روان «تولید پیش‌نویس‌ها به محض صحبت کردن» داشته باشید.

آیا شما هستیدخود رسانهچه نویسنده باشید، چه کارمند اداری یا کسی که به دنبال بهره‌وری بالا، این بررسی و راهنمای کاربر CosyVoice به شما خواهد گفت که آیا واقعاً مفید است و چگونه از آن برای دو برابر کردن بهره‌وری خود استفاده کنید. همین حالا از جدیدترین فناوری نوشتن متن مبتنی بر صدای هوش مصنوعی بهره‌مند شوید!

بسیاری از افراد هنگام نوشتن مقاله، «مشکلات ورودی صوتی» را تجربه کرده‌اند. بعد از صحبت کردن یک پاراگراف طولانی، صفحه نمایش پر از «امم»، «آن» و «درست است» می‌شود که حذف آن را خسته‌کننده می‌کند. تا زمانی که روش ورودی CosyVoice علی‌بابا از راه نرسید، متوجه نشدم که ورودی صوتی واقعاً می‌تواند به «صحبت کردن آزادانه و نوشتن زیبا» منجر شود.

مهر زمانی ویدیو:

دور اول تجربه: پیش‌نویس تمیز با یک کلیک ایجاد شد، کلمات پرکننده فوراً ناپدید می‌شوند.

بزرگترین نقطه ضعف ورودی صوتی سنتی، استفاده بیش از حد از کلمات پرکننده است. هنگام یادداشت‌برداری در یک جلسه، شما زیاد صحبت می‌کنید، اما متن حاصل، به‌هم‌ریخته است.

من سعی کردم از روش ورودی کیان‌ون برای گفتن یک جمله استفاده کنم:

«امم... اون... گزارش پیشرفت پروژه هفته‌ی دیگه‌ست، لطفاً داده‌ها رو از قبل آماده کن و مطمئن شو چیزی از قلم نیفتاده.»

نتیجه‌ای که روی صفحه نمایش داده شد این بود:

«لطفاً داده‌های خود را از قبل برای گزارش پیشرفت پروژه در هفته آینده آماده کنید و مطمئن شوید که چیزی از قلم نیفتاده است.»

تمام تکیه کلام‌هایم فوراً ناپدید شدند، انگار کسی دست‌نوشته‌ام را پاک کرده باشد. حتی شگفت‌انگیزتر اینکه، می‌توانست به‌طور خودکار آنها را در یک لیست سازماندهی کند:

1. ارائه گزارش پیشرفت پروژه
2. تکمیل راه‌حل الزامات
3. تعیین طرح بازاریابی

در آن لحظه، واقعاً احساس کردم که این یک گونه کاملاً متفاوت از ورودی صوتی سنتی است.

دور دوم تجربه: تغییر بی‌وقفه کلمات، روایت کلامی فوراً به ایمیل استاندارد تبدیل می‌شود.

من عمداً قابلیت‌های تصحیح خطای آن را آزمایش کردم:

«جلسه فردا در اتاق جلسات شماره دو در طبقه سوم برگزار می‌شود - نه، نه، بیایید آن را به اتاق جلسات شماره سه در طبقه سوم تغییر دهیم.»

مستقیماً خروجی می‌دهد: «جلسه فردا در اتاق جلسات شماره سه در طبقه سوم برگزار می‌شود.»
تغییر آدرس هیچ ردی از خود به جا نگذاشته بود، به همان اندازه طبیعی که با یک شخص صحبت می‌شود.

چیزی که بیشتر من را شگفت‌زده کرد این بود که می‌توانست کلمات گفتاری را مستقیماً به ایمیل تبدیل کند. گفتم:

«می‌توانید لطفاً این را در قالب یک ایمیل رسمی برای من بنویسید؟ من می‌خواهم ساعت ۳ بعد از ظهر پنجشنبه در مورد طرح ارتقای برند سه‌ماهه سوم با آقای ژانگ جلسه‌ای ترتیب دهم. اگر برای ایشان راحت نیست، می‌توانیم ترتیب آن را بدهیم.»

چند ثانیه بعد، یک ایمیل کامل ایجاد شد:

موضوع: دعوت به گفتگو در مورد «طرح ارتقای برند سه ماهه سوم»

آقای ژانگ، سلام:

برای پیشبرد بهتر این طرح، مایلم چند نکته کلیدی را حضوری با شما در میان بگذارم. آیا ساعت ۳ بعد از ظهر این پنجشنبه برای شما زمان مناسبی است؟ اگر نه، لطفاً یک بازه زمانی مناسب‌تر ارائه دهید تا آن را هماهنگ کنم.

ممنون
بخش بازاریابی شیائو لی

در گذشته، نوشتن چنین ایمیل‌هایی حداقل سه تا پنج دقیقه طول می‌کشید، اما اکنون فقط ده ثانیه طول می‌کشد که پیشرفت بزرگی در بهره‌وری است.

دور سوم آزمایش: تشخیص گویش به طور کامل انجام شد و تبدیل فرمت اعداد به صورت خودکار انجام شد.

یکی دیگر از چالش‌های عمده در ورودی صدا، گویش‌ها است. با این حال، CosyVoice این مشکل را به راحتی حل می‌کند.

دوستم از شانگهای گفت: «امروز هوا خیلی خوبه، بیا بریم باند قدم بزنیم.»
این متن به این صورت نوشته شده بود: «امروز هوا خیلی خوبه، بیا بریم بوند.»

این دستگاه نه تنها زبان شانگهایی، بلکه زبان‌های کانتونی و سیچوانی را نیز می‌فهمد. برای متخصصانی که نیاز به برقراری ارتباط بین مناطق مختلف دارند، این ویژگی بسیار مفید است.

حتی بهتر از آن، می‌تواند به‌طور خودکار قالب‌های عددی را تشخیص دهد. برای مثال، "12.6٪" مستقیماً به "12.6٪" تبدیل می‌شود؛ "3.58 میلیون" به‌طور خودکار به "358 میلیون" تبدیل می‌شود. دیگر نیازی به ویرایش دستی در سناریوهای مالی و مرتبط با داده‌ها نیست.

دور چهارم تجربه: مهارت‌های کلمات داغ برای بهبود تشخیص واژگان تخصصی

البته، بی‌نقص نیست. تشخیص اسم‌های خاص خاص توسط آن هنوز کمی ناقص است. برای مثال، وقتی می‌گویم «دو جیا»، آن را «دو جیا» تشخیص می‌دهد، که کاملاً نکته اصلی را از دست می‌دهد.

خوشبختانه، مستندات رسمی، قابلیتی به نام «مهارت کلمات داغ» (Hot Word Skill) ارائه می‌دهد که به کاربران اجازه می‌دهد کلمات سفارشی را به صورت دستی اضافه کنند. پس از اضافه کردن این کلمات، میزان دقت به طور قابل توجهی بهبود می‌یابد. این یک راه حل عملی و اصلاحی است.

خلاصه آزمون عملی: جهش از ورودی صوتی به عنوان یک گزینه به سمت راهکار اصلی

بزرگترین نکته‌ی قابل توجه از این آزمون این است که روش ورودی کیان‌ون فقط «صدا را رونویسی نمی‌کند»، بلکه «می‌فهمد شما چه می‌خواهید بگویید».

• کلمات پرکننده را به طور خودکار حذف کنید، با حذف و ویرایش دستی خداحافظی کنید.
• تغییر آدرس بی‌دردسر بود، به طبیعیِ مکالمه با یک شخص واقعی.
• کلمات گفته شده مستقیماً به ایمیل تبدیل می‌شوند و پیش‌نویس‌ها در عرض ده ثانیه تولید می‌شوند.

ترکیب این سه قابلیت، ورودی صوتی را از یک راه‌حل «اختیاری» به یک «راه‌حل اصلی» واقعی تبدیل کرده است.

ارزش آن در این نیست که مردم فکر کنند «این فناوری شگفت‌انگیز است»، بلکه در این است که مردم فکر کنند «واقعاً خوب کار می‌کند». این همان چیزی است که یک روش ورودی هوش مصنوعی باید داشته باشد.

در نتیجه، آینده‌ی ورودی صوتی فرا رسیده است؛ هوش واقعی در آسان کردن استفاده از آن نهفته است.

در این عصرِ انباشت اطلاعات، کارایی معادل بهره‌وری است. روش ورودی CosyVoice علی‌بابا، با تجربه کاربری «روان» خود، نشان می‌دهد که ورودی صوتی دیگر یک ترفند نیست، بلکه ابزاری است که واقعاً می‌تواند نحوه کار ما را متحول کند.

این ما را از ویرایش خسته‌کننده رها می‌کند و به ما اجازه می‌دهد تا روی خود محتوا تمرکز کنیم.

نوشتار آینده دیگر دربارهٔ ضرب‌آهنگ انگشتان روی صفحه‌کلید نخواهد بود، بلکه دربارهٔ جریان مستقیم افکار و زبان خواهد بود.

هوش واقعی به معنای خودنمایی در فناوری نیست، بلکه به معنای آسان کردن استفاده از چیزها برای مردم است.