Az Alibaba CosyVoice mesterséges intelligencia alapú beviteli módszerének valós tesztje: kéz nélküli bevitel, beszédfelismerés, gördülékenység messze felülmúlta az elvárásokat

Szeretnéd megtapasztalni az igazi kézhasználat nélküli szabadságot? Ez a cikk egy részletes tesztet tartalmaz az Alibaba 1000 kérdésén alapulva.AIA CosyVoice beviteli módszer betekintést nyújt a „piszkozatok generálása azonnal, amint beszélsz” zökkenőmentes élményébe.

AkárönmédiaAkár író, irodai dolgozó vagy, akár magas termelékenységre törekszel, ez a CosyVoice funkcióáttekintés és felhasználói útmutató megmutatja, hogy valóban hasznos-e, és hogyan használhatod a hatékonyságod megduplázására. Oldd fel most a legújabb mesterséges intelligencia alapú hangalapú szövegírási technológiát!

Sokan tapasztalták már a „hangbevitel buktatóit” cikkek írásakor. Egy hosszú bekezdés elmondása után a képernyő tele van „ööö”, „az” és „így van” szavakkal, ami bosszantóvá teszi a törlését. Csak az Alibaba CosyVoice beviteli módszerének megjelenése után jöttem rá, hogy a hangbevitel valóban képes elérni a „szabad beszédet és a gyönyörű írást”.

Videó időbélyege:

Első körös tapasztalat: Egyetlen kattintással tiszta vázlat generálható, a töltelékszavak azonnal eltűnnek.

A hagyományos hangalapú bevitel legnagyobb problémája a töltelékszavak túlzott használata. Egy megbeszélésen jegyzetelünk, de a végeredmény egy káosz.

Megpróbáltam a Qianwen beviteli módszerrel kimondani egy mondatot:

„Öhm... hogy... a projekt előrehaladási jelentése jövő héten, kérlek, előre készítsd elő az adatokat, és győződj meg róla, hogy semmi sem maradt ki.”

A képernyőn megjelenő eredmény a következő volt:

"Kérjük, készítse elő adatait a jövő heti projekt előrehaladási jelentéshez, és győződjön meg róla, hogy semmi sem maradt ki."

Minden szállóigévé vált mondatom azonnal eltűnt, mintha valaki letörölte volna a kéziratomat. Ami még meglepőbb, automatikusan listába tudta rendezni őket:

1. Projekt előrehaladási jelentés benyújtása
2. A követelmények megoldásának befejezése
3. Határozza meg a marketingtervet

Abban a pillanatban valóban úgy éreztem, hogy ez egy teljesen más faj, mint a hagyományos hangbevitel.

Második körös tapasztalat: A zökkenőmentes szóváltás, a szóbeli narráció azonnal standard e-maillé válik.

Szándékosan teszteltem a hibajavító képességeit:

„A holnapi megbeszélés a harmadik emeleti kettes számú tárgyalóban lesz – nem, nem, tegyük át a harmadik emeleti hármas számú tárgyalóba.”

Közvetlenül ezt írja ki: „A holnapi megbeszélést a harmadik emeleti, harmadik számú tárgyalóban tartjuk.”
A címváltozás nem hagyott nyomot, olyan természetes volt, mint egy beszélgetés egy személlyel.

Ami még jobban meglepett, az az volt, hogy a beszélt szavakat közvetlenül e-mailekké tudta alakítani. Azt mondtam:

„Megtenné, ha ezt hivatalos e-mail formátumban megírná nekem? Szeretnék egy találkozót egyeztetni Zhang úrral csütörtökön délután 3 órára a harmadik negyedéves márkaépítési tervvel kapcsolatban. Ha ez neki nem megfelelő, akkor megbeszélhetjük.”

Néhány másodperccel később egy teljes e-mail generálódott:

Tárgy: Felhívás a „3. negyedéves márkaépítési tervvel” kapcsolatos tájékoztatásra

Zhang úr, üdvözlet:

A terv hatékonyabb előmozdítása érdekében szeretnék személyesen megbeszélni Önnel néhány kulcsfontosságú pontot. Megfelelő lenne Önnek a csütörtöki délután 3 óra? Ha nem, kérem, adjon meg egy megfelelőbb időpontot, és én elintézem.

Köszönöm!
Marketing Osztály Xiao Li

Régebben az ilyen e-mailek megírása legalább három-öt percet vett igénybe, de most már csak tíz másodperc, ami hatalmas hatékonyságnövekedést jelent.

Harmadik tesztelési kör: A nyelvjárásfelismerés teljes mértékben kezelve volt, a számformátum-átalakítás pedig automatikus.

A hangbevitel másik fő kihívása a dialektusok használata. A CosyVoice azonban könnyedén kezeli ezt.

A sanghaji barátom azt mondta: „Olyan szép idő van ma, menjünk el a Bundra sétálni egyet.”
Így írták át: „Ma olyan szép idő van, menjünk a Bundra.”

Nemcsak a sanghaji, hanem a kantoni és a szecsuáni nyelvet is megérti. A szakemberek számára, akiknek régiók közötti kommunikációra van szükségük, ez a funkció életmentő lehet.

Még jobb, hogy automatikusan felismeri a számformátumokat. Például a „12.6%” közvetlenül „12,6%-ra” konvertálódik; a „3.58 millió” automatikusan „358 millióra” konvertálódik. Nincs szükség további manuális szerkesztésre pénzügyi és adatkezelési esetekben.

Negyedik tapasztalati kör: Forró szavakkal kapcsolatos készségek a niche szókincs felismerésének javítására

Természetesen nem tökéletes. A niche tulajdonnevek felismerése még mindig kissé hiányos. Például, amikor azt mondom, hogy „du jia”, akkor azt úgy ismeri fel, hogy „du jia”, ami teljesen félreérti a lényeget.

Szerencsére a hivatalos dokumentáció tartalmaz egy „Hot Word Skill” funkciót, amely lehetővé teszi a felhasználók számára, hogy manuálisan adjanak hozzá egyéni szavakat. Ezek hozzáadása után a pontossági arány jelentősen javul. Ez egy praktikus megoldás a problémára.

Gyakorlati teszt összefoglaló: Ugrás a hangbevitelről, mint opcióról az elsődleges megoldásra

A teszt legnagyobb tanulsága, hogy a Qianwen Input Method nem csak „átírja a hangot”, hanem „megérti, amit mondani akarsz”.

• Automatikusan eltávolítja a töltelékszavakat, búcsút int a manuális törlésnek és szerkesztésnek.
• A címváltoztatás zökkenőmentes volt, olyan természetes, mint egy valódi személlyel folytatott beszélgetés.
• A kimondott szavakat közvetlenül e-mailekké alakítja át, a vázlatok pedig tíz másodperc alatt elkészülnek.

E három képesség kombinációja a hangbevitelt az „opcionális” megoldásból valódi „elsődleges” megoldássá alakította.

Az értéke nem abban rejlik, hogy az emberek azt gondolják tőle, hogy „a technológia lenyűgöző”, hanem abban, hogy azt gondolják róla, hogy „nagyon jól működik”. Ilyennek kell lennie egy mesterséges intelligencia által létrehozott beviteli módszernek.

Összefoglalva, a hangbevitel jövője elérkezett; az igazi intelligencia a könnyű használatban rejlik.

Az információ túlterhelés korában a hatékonyság egyenlő a termelékenységgel. Az Alibaba CosyVoice beviteli módszere a „sima” felhasználói élményével azt bizonyítja, hogy a hangbevitel már nem csak egy trükk, hanem egy olyan eszköz, amely valóban átalakíthatja a munkavégzésünket.

Megszabadít minket a fárasztó szerkesztéstől, és lehetővé teszi, hogy magára a tartalomra koncentráljunk.

A jövő írása már nem a billentyűzeten kopogó ujjakról fog szólni, hanem a gondolatok és a nyelv közvetlen áramlásáról.

Az igazi intelligencia nem a technológia fitogtatásáról szól, hanem arról, hogy a dolgokat könnyen használhatóvá tegyük az emberek számára.