Alibaba CosyVoice mākslīgā intelekta ievades metodes reālās pasaules tests: brīvroku ievade, runas pārveidošana tekstā, vienmērīgums krietni pārsniedz cerības.

Vai vēlaties izbaudīt patiesu brīvroku brīvību? Šajā rakstā sniegts padziļināts tests, kas balstīts uz Alibaba 1000 jautājumiem.AICosyVoice, ievades metode, piedāvā ieskatu maksimāli vienmērīgā pieredzē — "melnrakstu ģenerēšanā, tiklīdz jūs runājat".

vai tu esipašmēdijiNeatkarīgi no tā, vai esat rakstnieks, biroja darbinieks vai kāds, kas meklē augstu produktivitāti, šis CosyVoice funkciju apskats un lietotāja ceļvedis jums pateiks, vai tā patiešām ir noderīga un kā to izmantot, lai dubultotu savu efektivitāti. Atklājiet jaunāko mākslīgā intelekta balss teksta rakstīšanas tehnoloģiju jau tagad!

Daudzi cilvēki, rakstot rakstus, ir saskārušies ar "balss ievades kļūmēm". Pēc garas rindkopas norunāšanas ekrāns ir piepildīts ar "um", "tas" un "tas ir pareizi", tāpēc ir kaitinoši to dzēst. Tikai pēc Alibaba CosyVoice ievades metodes parādīšanās es sapratu, ka balss ievade patiesi var panākt "brīvu runāšanu un skaistu rakstīšanu".

Videoklipa laikspiedols:

Pirmā pieredzes kārta: tīrs melnraksts, kas ģenerēts ar vienu klikšķi, aizpildītājvārdi pazūd acumirklī.

Tradicionālās balss ievades lielākā problēma ir pārmērīga aizpildošo vārdu lietošana. Pierakstot piezīmes sapulcē, jūs daudz runājat, bet iegūtais teksts ir haotisks.

Es mēģināju izmantot Qianwen ievades metodi, lai pateiktu teikumu:

"Ēē... tas... projekta progresa ziņojums nākamnedēļ, lūdzu, sagatavojiet datus iepriekš un pārliecinieties, ka nekas nav palaists garām."

Ekrānā redzamais rezultāts bija šāds:

"Lūdzu, iepriekš sagatavojiet savus datus nākamās nedēļas projekta progresa ziņojumam un pārliecinieties, ka nekas nav palaists garām."

Visas manas iecienītākās frāzes acumirklī pazuda, it kā kāds būtu notīrījis manu manuskriptu. Vēl pārsteidzošāk, tas spēja tās automātiski sakārtot sarakstā:

1. Iesniegt projekta progresa ziņojumu
2. Pabeidziet prasību risinājumu
3. Nosakiet mārketinga plānu

Tajā brīdī es patiesi jutu, ka tā ir pilnīgi cita suga nekā tradicionālā balss ievade.

Otrā pieredzes kārta: nemanāma vārdu maiņa, verbāls stāstījums acumirklī kļūst par standarta e-pastu.

Es apzināti pārbaudīju tā kļūdu labošanas iespējas:

"Rītdienas sanāksme notiks trešajā stāvā, otrajā sanāksmju telpā — nē, nē, mainīsim to uz trešo sanāksmju telpu trešajā stāvā."

Tas tieši izvada: "Rītdienas sanāksme notiks trešajā sanāksmju telpā numur viens trešajā stāvā."
Adreses maiņa neatstāja nekādas pēdas, tikpat dabiska kā saruna ar cilvēku.

Vēl vairāk mani pārsteidza tas, ka tā varēja tieši pārvērst runātos vārdus e-pastos. Es teicu:

"Vai jūs, lūdzu, varētu to uzrakstīt man oficiālā e-pasta formātā? Es vēlētos ieplānot tikšanos ar Džan kungu ceturtdien pulksten 15:00 par 3. ceturkšņa zīmola reklāmas plānu. Ja tas viņam nav ērti, mēs varam vienoties."

Pēc dažām sekundēm tika ģenerēts pilns e-pasts:

Temats: Aicinājums sazināties par "3. ceturkšņa zīmola popularizēšanas plānu"

Džan kungs, sveiki:

Lai labāk virzītu šo plānu uz priekšu, es vēlētos klātienē ar jums pārrunāt dažus svarīgus punktus. Vai šīs ceturtdienas plkst. 3:00 jums būtu piemērots laiks? Ja nē, lūdzu, norādiet ērtāku laika intervālu, un es to noorganizēšu.

Paldies!
Mārketinga nodaļa Sjao Li

Agrāk šādu e-pastu rakstīšana aizņēma vismaz trīs līdz piecas minūtes, bet tagad tas aizņem tikai desmit sekundes, kas ir milzīgs efektivitātes uzlabojums.

Trešā testēšanas kārta: dialektu atpazīšana tika pilnībā apstrādāta, un skaitļu formāta konvertēšana bija automātiska.

Vēl viena būtiska problēma ar balss ievadi ir dialekti. Tomēr CosyVoice ar to tiek galā viegli.

Mans draugs no Šanhajas teica: "Šodien ir tik jauks laiks, iesim pastaigāties uz Bundu."
Tas tika transliterēts šādi: "Šodien ir tik jauks laiks, iesim uz Bundu."

Tas saprot ne tikai šanhajiešu, bet arī kantoniešu un sičuaņu valodu. Speciālistiem, kuriem jāsazinās dažādos reģionos, šī funkcija ir īsts glābiņš.

Vēl labāk, tas var automātiski atpazīt skaitļu formātus. Piemēram, "12.6%" tiek tieši konvertēts uz "12,6%"; "3.58 miljoni" tiek automātiski konvertēts uz "358 miljoniem". Finanšu un ar datiem saistītos scenārijos vairs nav nepieciešama manuāla rediģēšana.

Ceturtā pieredzes kārta: Karsto vārdu prasmes nišas vārdu krājuma atpazīšanas uzlabošanai

Protams, tas nav perfekts. Nišas īpašvārdu atpazīšana joprojām ir nedaudz nepilnīga. Piemēram, kad es saku "du jia", tas to atpazīst kā "du jia", kas pilnībā neizprot būtību.

Par laimi, oficiālajā dokumentācijā ir iekļauta funkcija “Hot Word Skill” (“Karsto vārdu prasmju apgūšana”), kas ļauj lietotājiem manuāli pievienot pielāgotus vārdus. Pēc to pievienošanas precizitātes līmenis ievērojami uzlabojas. Tas ir praktisks risinājums.

Praktiskā testa kopsavilkums: Pāreja no balss ievades kā izvēles uz primāro risinājumu

Lielākā atziņa no testa ir tāda, ka Qianwen ievades metode ne tikai "transkribē skaņu", bet arī "saprot, ko vēlaties pateikt".

• Automātiski noņemiet aizpildītājvārdus, atvadieties no manuālas dzēšanas un rediģēšanas.
• Adreses maiņa noritēja nemanāmi, tikpat dabiski kā saruna ar īstu cilvēku.
• Runāti vārdi tiek tieši pārveidoti e-pastos, un melnraksti tiek ģenerēti desmit sekundēs.

Šo trīs iespēju apvienojums ir pārveidojis balss ievadi no "neobligāta" risinājuma par patiesi "primāro risinājumu".

Tās vērtība slēpjas nevis tajā, ka cilvēki domā, ka "tehnoloģija ir apbrīnojama", bet gan tajā, ka cilvēki domā, ka "tā darbojas patiešām labi". Tieši tādai vajadzētu būt mākslīgā intelekta ievades metodei.

Noslēgumā jāsaka, ka balss ievades nākotne ir klāt; patiesais intelekts slēpjas tās lietošanas vienkāršā nodrošināšanā.

Šajā informācijas pārslodzes laikmetā efektivitāte ir vienāda ar produktivitāti. Alibaba CosyVoice ievades metode ar savu “vienmērīgo” lietotāja pieredzi parāda, ka balss ievade vairs nav triks, bet gan rīks, kas var patiesi pārveidot mūsu darba veidu.

Tas atbrīvo mūs no garlaicīgas rediģēšanas un ļauj koncentrēties uz pašu saturu.

Nākotnes rakstīšana vairs nebūs par pirkstu klauvēšanu pa tastatūru, bet gan par tiešu domu un valodas plūsmu.

Patiesa inteliģence nav tehnoloģiju demonstrēšana, bet gan lietu padarīšana cilvēkiem viegli lietojamām.