Raunveruleg prófun á CosyVoice gervigreindarinntaksaðferð Alibaba: Handfrjáls inntak, tal-í-textaúttak, mýkt langt umfram væntingar.

Viltu upplifa raunverulegt handfrjálst frelsi? Þessi grein veitir ítarlegt próf byggt á 1000 spurningum Alibaba.AICosyVoice, innsláttaraðferð, býður þér innsýn í hina fullkomnu og þægilegu upplifun af því að „búa til drög um leið og þú talar“.

hvort sem þú ertsjálfsmiðillHvort sem þú ert rithöfundur, skrifstofumaður eða einhver sem sækist eftir mikilli framleiðni, þá mun þessi umsögn um eiginleika CosyVoice og notendahandbók segja þér hvort það sé virkilega gagnlegt og hvernig á að nota það til að tvöfalda skilvirkni þína. Opnaðu nýjustu gervigreindar-raddstýrða textaritunartækni núna!

Margir hafa upplifað „gildrur raddinntaks“ þegar þeir skrifa greinar. Eftir að hafa lesið langa málsgrein fyllist skjárinn af „öhm“, „það“ og „það er rétt“, sem gerir það pirrandi að eyða. Það var ekki fyrr en CosyVoice inntaksaðferðin frá Alibaba kom til sögunnar að ég áttaði mig á því að raddinntak getur sannarlega náð árangri í að „tala frjálslega og skrifa fallega“.

Tímastimpill myndbands:

Fyrsta umferð reynslu: Hreint drög búið til með einum smelli, fyllingarorð hverfa samstundis.

Stærsti gallinn við hefðbundna raddinntak er óhófleg notkun fyllingarorða. Þegar þú tekur glósur á fundi talarðu mikið en textinn sem myndast er algjört rugl.

Ég reyndi að nota Qianwen innsláttaraðferðina til að segja setningu:

„Öhm...það...framvinduskýrslan um verkefnið í næstu viku, vinsamlegast undirbúið gögnin fyrirfram og gætið þess að ekkert gleymist.“

Niðurstaðan sem birtist á skjánum var:

„Vinsamlegast undirbúið gögnin ykkar fyrirfram fyrir skýrslu um verkefnið í næstu viku og gætið þess að ekkert sé gleymt.“

Öll slagorðin mín hurfu samstundis, eins og einhver hefði þurrkað handritið mitt. Enn óvæntara var að það gat sjálfkrafa raðað þeim í lista:

1. Senda inn skýrslu um framvindu verkefnisins
2. Ljúktu við kröfulausnina
3. Ákvarða markaðsáætlunina

Á þeirri stundu fannst mér þetta virkilega vera allt önnur tegund en hefðbundin raddinntak.

Önnur umferð reynslunnar: Óaðfinnanleg orðaskipti, munnleg frásögn verður samstundis að venjulegum tölvupósti.

Ég prófaði vísvitandi villuleiðréttingargetu þess:

„Fundurinn á morgun verður í fundarherbergi númer tvö á þriðju hæð — nei, nei, við skulum breyta því í fundarherbergi númer þrjú á þriðju hæð.“

Það segir beint: „Fundurinn á morgun verður haldinn í fundarherbergi númer þrjú á þriðju hæð.“
Breytingin á heimilisfanginu skildi engin spor eftir, eins eðlileg og samtal við manneskju.

Það sem kom mér enn meira á óvart var að það gat breytt töluðum orðum beint í tölvupósta. Ég sagði:

„Gætirðu vinsamlegast skrifað þetta í formlegt tölvupóstsform fyrir mig? Ég vil bóka fund með herra Zhang klukkan 3:3 á fimmtudag varðandi kynningaráætlun fyrir vörumerkið fyrir þriðja ársfjórðunginn. Ef það hentar honum ekki getum við gert ráðstafanir.“

Nokkrum sekúndum síðar var fullur tölvupóstur búinn til:

Efni: Boð um samskipti varðandi „Kynningaráætlun fyrir vörumerkjavörur á 3. ársfjórðungi“

Herra Zhang, halló:

Til að efla þessa áætlun betur vil ég ræða nokkur lykilatriði við þig persónulega. Hentar þér klukkan 3:00 þennan fimmtudag? Ef ekki, vinsamlegast gefðu upp þægilegri tímasetningu og ég skal útvega það.

Þakka þér fyrir!
Markaðsdeild Xiao Li

Áður fyrr tók það að minnsta kosti þrjár til fimm mínútur að skrifa slíka tölvupósta, en nú tekur það aðeins tíu sekúndur, sem er gríðarleg aukning í skilvirkni.

Þriðja prófunarumferð: Mállýskuþekking að fullu meðhöndluð og umbreyting á talnasniði var sjálfvirk.

Önnur stór áskorun með raddinntak eru mállýskur. CosyVoice tekst hins vegar auðveldlega á við þetta.

Vinur minn frá Shanghai sagði: „Veðrið er svo gott í dag, förum í göngutúr að Bund.“
Það var umritað sem: „Veðrið er svo gott í dag, förum til Bund.“

Það skilur ekki aðeins sjanghaí-mál, heldur einnig kantónsku og sisjú-mál. Fyrir fagfólk sem þarf að eiga samskipti á milli svæða er þessi eiginleiki bjargvættur.

Enn betra er að það getur sjálfkrafa greint talnasnið. Til dæmis er „12.6%“ breytt beint í „12,6%“; „3.58 milljónir“ er sjálfkrafa breytt í „358 milljónir“. Ekki er þörf á frekari handvirkri breytingu í fjárhagslegum og gagnatengdum aðstæðum.

Fjórða lota reynslu: Heitt orðafærni til að bæta skilning á sérhæfðum orðaforða

Auðvitað er það ekki fullkomið. Það er enn svolítið ófullkomið að það þekki sérnöfn sem eru sérsniðin í sérflokki. Til dæmis, þegar ég segi „du jia“, þá þekkir það það sem „du jia“, sem missir algjörlega af tilganginum.

Sem betur fer býður opinbera vefsíðan upp á „Hot Word Skill“ eiginleika sem gerir notendum kleift að bæta við sérsniðnum orðum handvirkt. Eftir að þessum hefur verið bætt við batnar nákvæmnin verulega. Þetta er hagnýt lausn til úrbóta.

Yfirlit yfir verklegt próf: Stökkið frá raddinntaki sem valkosti yfir í aðallausnina

Helsta ályktunin úr prófinu er að Qianwen Input Method „umritar ekki bara hljóð“, heldur „skilur það sem þú vilt segja“.

• Fjarlægðu sjálfkrafa fyllingarorð, segðu bless við handvirka eyðingu og breytingu.
• Breytingin á heimilisfangi gekk snurðulaust fyrir sig, eins eðlileg og samtal við alvöru manneskju.
• Töluðum orðum er breytt beint í tölvupósta og drög eru búin til á tíu sekúndum.

Samsetning þessara þriggja eiginleika hefur breytt raddinntaki úr „valfrjálsri“ lausn í sanna „aðallausn“.

Gildi þess felst ekki í því að fá fólk til að halda að „tæknin sé frábær“ heldur í því að fá fólk til að halda að „hún virki mjög vel“. Þannig ætti inntaksaðferð sem byggir á gervigreind að vera.

Að lokum má segja að framtíð raddinntaks sé komin; sönn greind felst í því að gera það auðvelt í notkun.

Í þessum tímum upplýsingaflóðs jafngildir skilvirkni framleiðni. CosyVoice innsláttaraðferð Alibaba, með „sléttri“ notendaupplifun, sýnir að raddinnsláttur er ekki lengur brella, heldur tól sem getur sannarlega gjörbreytt því hvernig við vinnum.

Það frelsar okkur frá leiðinlegri ritvinnslu og gerir okkur kleift að einbeita okkur að efninu sjálfu.

Ritun framtíðarinnar mun ekki lengur snúast um að banka með fingrunum á lyklaborðið, heldur um beint flæði hugsana og tungumáls.

Sönn greind snýst ekki um að sýna fram á tækni, heldur um að gera hlutina auðvelda fyrir fólk að nota.