ആർട്ടിക്കിൾ ഡയറക്ടറി
യഥാർത്ഥ ഹാൻഡ്സ്-ഫ്രീ സ്വാതന്ത്ര്യം അനുഭവിക്കാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? ആലിബാബയുടെ 1000 ചോദ്യങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ആഴത്തിലുള്ള പരിശോധനയാണ് ഈ ലേഖനം നൽകുന്നത്.AI"നിങ്ങൾ സംസാരിച്ചാലുടൻ ഡ്രാഫ്റ്റുകൾ സൃഷ്ടിക്കുന്നതിന്റെ" ആത്യന്തിക സുഗമമായ അനുഭവത്തിലേക്ക് ഒരു നേർക്കാഴ്ച നൽകുന്ന ഇൻപുട്ട് രീതിയാണ് കോസിവോയ്സ്.
നിങ്ങൾ ആണോ എന്ന്സ്വയം മീഡിയനിങ്ങൾ ഒരു എഴുത്തുകാരനോ, ഓഫീസ് ജീവനക്കാരനോ, ഉയർന്ന ഉൽപ്പാദനക്ഷമത തേടുന്ന ഒരാളോ ആകട്ടെ, ഈ CosyVoice ഫീച്ചർ അവലോകനവും ഉപയോക്തൃ ഗൈഡും ഇത് ശരിക്കും ഉപയോഗപ്രദമാണോ എന്നും നിങ്ങളുടെ കാര്യക്ഷമത ഇരട്ടിയാക്കാൻ ഇത് എങ്ങനെ ഉപയോഗിക്കാമെന്നും നിങ്ങളോട് പറയും. ഏറ്റവും പുതിയ AI വോയ്സ് അധിഷ്ഠിത ടെക്സ്റ്റ് റൈറ്റിംഗ് സാങ്കേതികവിദ്യ ഇപ്പോൾ അൺലോക്ക് ചെയ്യുക!
ലേഖനങ്ങൾ എഴുതുമ്പോൾ "വോയ്സ് ഇൻപുട്ട് പിഴവുകൾ" പലരും അനുഭവിച്ചിട്ടുണ്ട്. ഒരു നീണ്ട ഖണ്ഡിക പറഞ്ഞുകഴിഞ്ഞാൽ, സ്ക്രീനിൽ "ഉം," "അത്," "അത് ശരിയാണ്" എന്നിവ നിറഞ്ഞുനിൽക്കും, അത് ഇല്ലാതാക്കുന്നത് നിരാശാജനകമാണ്. ആലിബാബയുടെ കോസിവോയ്സ് ഇൻപുട്ട് രീതി വന്നതിനു ശേഷമാണ് വോയ്സ് ഇൻപുട്ടിന് "സ്വതന്ത്രമായി സംസാരിക്കാനും മനോഹരമായി എഴുതാനും" കഴിയുമെന്ന് ഞാൻ മനസ്സിലാക്കിയത്.
വീഡിയോ ടൈംസ്റ്റാമ്പ്:
- 00:00 AI ഇൻപുട്ട് രീതി അവലോകനം / ആലിബാബ ക്വിയാൻവെൻ AI: ആലിബാബ ക്വിയാൻവെൻ AI ഇൻപുട്ട് രീതിയുടെയും സ്പീച്ച്-ടു-ടെക്സ്റ്റ് പരിവർത്തനത്തിന്റെയും കാര്യക്ഷമമായ അനുഭവത്തിന്റെ യഥാർത്ഥ ലോക പരിശോധന.
- 00:28 CosyVoice / ഡൗൺലോഡ് ചെയ്ത് ഇൻസ്റ്റാൾ ചെയ്യുക. Androidഇൻപുട്ട് രീതി ട്യൂട്ടോറിയൽ: മൊബൈൽ ആപ്പിൽ കരാർ ഡൗൺലോഡ് ചെയ്യുന്നതിനും, ഇൻസ്റ്റാൾ ചെയ്യുന്നതിനും, അംഗീകരിക്കുന്നതിനുമുള്ള പൂർണ്ണ പ്രക്രിയ പ്രദർശിപ്പിക്കുന്നു.
- 00:59 ഇൻപുട്ട് മെത്തേഡ് ആക്ടിവേഷൻ ട്യൂട്ടോറിയൽ / AI വോയ്സ് അസിസ്റ്റന്റിന്റെ ഗുണങ്ങൾ: നാല് പ്രധാന ഗുണങ്ങൾ വിശകലനം ചെയ്യുകയും ഇൻപുട്ട് മെത്തേഡുകൾ എങ്ങനെ പ്രവർത്തനക്ഷമമാക്കാമെന്നും സ്വിച്ചുചെയ്യാമെന്നും പ്രദർശിപ്പിക്കുകയും ചെയ്യുന്നു.
- 01:53 സ്പീച്ച്-ടു-ടെക്സ്റ്റ് ടെസ്റ്റ് / ഇന്റലിജന്റ് എറർ കറക്ഷൻ ആൻഡ് പോളിഷിംഗ്: വോയ്സ് ഇൻപുട്ട്, മൈക്രോഫോൺ പെർമിഷൻ കോൺഫിഗറേഷൻ, ഓട്ടോമാറ്റിക് നമ്പർ അറേഞ്ച്മെന്റ്, ട്രാൻസ്ക്രിപ്ഷൻ എന്നിവ പ്രദർശിപ്പിക്കുന്നു.
- 02:16 വോയ്സ് കമാൻഡ് എഡിറ്റിംഗ്/സ്പീക്ക് ആൻഡ് റൈറ്റ് ടെക്നിക്കുകൾ: വോയ്സ് കമാൻഡുകൾ ഉപയോഗിച്ച് ടെക്സ്റ്റ് ഉള്ളടക്കം തത്സമയം എങ്ങനെ പരിഷ്കരിക്കാമെന്നും എഡിറ്റ് ചെയ്യാമെന്നും കാണിക്കുന്നു.
- 02:40 AI ടൂൾ പങ്കിടൽ / കാര്യക്ഷമമായ ഓഫീസ് കഴിവുകൾ: AI കാലഘട്ടത്തിലെ കാര്യക്ഷമത ഉപകരണങ്ങളുടെ മൂല്യം സംഗ്രഹിക്കുന്നു.
ആദ്യ റൗണ്ട് അനുഭവം: ഒറ്റ ക്ലിക്കിൽ ക്ലീൻ ഡ്രാഫ്റ്റ് സൃഷ്ടിക്കപ്പെടുന്നു, ഫില്ലർ വാക്കുകൾ തൽക്ഷണം അപ്രത്യക്ഷമാകും.
പരമ്പരാഗത വോയ്സ് ഇൻപുട്ടിന്റെ ഏറ്റവും വലിയ പ്രശ്നം അധിക പദങ്ങളുടെ ഉപയോഗമാണ്. ഒരു മീറ്റിംഗിൽ കുറിപ്പുകൾ എടുക്കുമ്പോൾ, നിങ്ങൾ ധാരാളം സംസാരിക്കും, പക്ഷേ ഫലമായുണ്ടാകുന്ന വാചകം ഒരു കുഴപ്പമാണ്.
ഒരു വാചകം പറയാൻ ഞാൻ Qianwen ഇൻപുട്ട് രീതി ഉപയോഗിക്കാൻ ശ്രമിച്ചു:
"ഉം...അത്...അടുത്ത ആഴ്ചയിലെ പ്രോജക്ട് പ്രോഗ്രസ് റിപ്പോർട്ട്, ദയവായി മുൻകൂട്ടി ഡാറ്റ തയ്യാറാക്കുക, ഒന്നും നഷ്ടപ്പെടുത്താതിരിക്കാൻ ശ്രദ്ധിക്കുക."
സ്ക്രീനിൽ പ്രദർശിപ്പിച്ച ഫലം ഇതായിരുന്നു:
"അടുത്ത ആഴ്ചത്തെ പ്രോജക്ട് പ്രോഗ്രസ് റിപ്പോർട്ടിനായി നിങ്ങളുടെ ഡാറ്റ മുൻകൂട്ടി തയ്യാറാക്കുക, ഒന്നും നഷ്ടമാകാതിരിക്കാൻ ശ്രദ്ധിക്കുക."
എന്റെ എല്ലാ ക്യാച്ച്ഫ്രെയ്സുകളും തൽക്ഷണം അപ്രത്യക്ഷമായി, ആരോ എന്റെ കൈയെഴുത്തുപ്രതി തുടച്ചുമാറ്റിയതുപോലെ. അതിലും അതിശയകരമെന്നു പറയട്ടെ, അത് അവയെ യാന്ത്രികമായി ഒരു പട്ടികയിലേക്ക് ക്രമീകരിക്കും:
- പ്രോജക്റ്റ് പുരോഗതി റിപ്പോർട്ട് സമർപ്പിക്കുക
- ആവശ്യകത പരിഹാരം പൂർത്തിയാക്കുക
- മാർക്കറ്റിംഗ് പ്ലാൻ നിർണ്ണയിക്കുക
ആ നിമിഷം, പരമ്പരാഗത ശബ്ദ ഇൻപുട്ടിൽ നിന്ന് തികച്ചും വ്യത്യസ്തമായ ഒരു സ്പീഷീസാണിതെന്ന് എനിക്ക് ശരിക്കും തോന്നി.
രണ്ടാം റൗണ്ട് അനുഭവം: വാക്കുകളുടെ തടസ്സമില്ലാത്ത മാറ്റം, വാക്കാലുള്ള ആഖ്യാനം തൽക്ഷണം ഒരു സാധാരണ ഇമെയിലായി മാറുന്നു.
അതിന്റെ പിശക് തിരുത്തൽ ശേഷി ഞാൻ മനഃപൂർവ്വം പരീക്ഷിച്ചു:
"നാളത്തെ മീറ്റിംഗ് മൂന്നാം നിലയിലെ രണ്ടാം നമ്പർ മീറ്റിംഗ് റൂമിൽ ആയിരിക്കും - വേണ്ട, വേണ്ട, നമുക്ക് അത് മൂന്നാം നിലയിലെ മൂന്നാം നമ്പർ മീറ്റിംഗ് റൂമാക്കി മാറ്റാം."
ഇത് നേരിട്ട് ഇങ്ങനെ പറയുന്നു: "നാളത്തെ മീറ്റിംഗ് മൂന്നാം നിലയിലെ മൂന്നാം നമ്പർ മീറ്റിംഗ് റൂമിൽ നടക്കും."
വിലാസ മാറ്റം ഒരു സൂചനയും അവശേഷിപ്പിച്ചില്ല, ഒരു വ്യക്തിയുമായുള്ള സംഭാഷണം പോലെ സ്വാഭാവികം.
എന്നെ കൂടുതൽ അത്ഭുതപ്പെടുത്തിയത്, സംസാരിക്കുന്ന വാക്കുകളെ നേരിട്ട് ഇമെയിലുകളാക്കി മാറ്റാൻ ഇതിന് കഴിയുമെന്നതാണ്. ഞാൻ പറഞ്ഞു:
"ദയവായി ഇത് എനിക്ക് ഒരു ഔപചാരിക ഇമെയിൽ ഫോർമാറ്റിൽ എഴുതാമോ? Q3 ബ്രാൻഡ് പ്രൊമോഷൻ പ്ലാനുമായി ബന്ധപ്പെട്ട് വ്യാഴാഴ്ച ഉച്ചകഴിഞ്ഞ് 3 മണിക്ക് മിസ്റ്റർ ഷാങ്ങുമായി ഒരു മീറ്റിംഗ് ഷെഡ്യൂൾ ചെയ്യാൻ ഞാൻ ആഗ്രഹിക്കുന്നു. അദ്ദേഹത്തിന് ഇത് അസൗകര്യമാണെങ്കിൽ, നമുക്ക് ക്രമീകരണങ്ങൾ ചെയ്യാം."
കുറച്ച് നിമിഷങ്ങൾക്ക് ശേഷം, ഒരു പൂർണ്ണ ഇമെയിൽ ജനറേറ്റ് ചെയ്യപ്പെട്ടു:
വിഷയം: "Q3 ബ്രാൻഡ് പ്രമോഷൻ പ്ലാൻ" സംബന്ധിച്ച് ആശയവിനിമയം നടത്താനുള്ള ക്ഷണം.
മിസ്റ്റർ ഷാങ്, ഹലോ:
ഈ പദ്ധതി കൂടുതൽ മെച്ചപ്പെടുത്തുന്നതിന്, ചില പ്രധാന കാര്യങ്ങൾ നിങ്ങളുമായി നേരിട്ട് ചർച്ച ചെയ്യാൻ ഞാൻ ആഗ്രഹിക്കുന്നു. ഈ വ്യാഴാഴ്ച ഉച്ചകഴിഞ്ഞ് 3:00 നിങ്ങൾക്ക് സൗകര്യപ്രദമാകുമോ? ഇല്ലെങ്കിൽ, ദയവായി കൂടുതൽ സൗകര്യപ്രദമായ ഒരു സമയ സ്ലോട്ട് നൽകുക, ഞാൻ അത് ക്രമീകരിക്കാം.
നന്ദി!
മാർക്കറ്റിംഗ് വകുപ്പ് സിയാവോ ലി
മുൻകാലങ്ങളിൽ, ഇത്തരം ഇമെയിലുകൾ എഴുതാൻ കുറഞ്ഞത് മൂന്ന് മുതൽ അഞ്ച് മിനിറ്റ് വരെ എടുക്കുമായിരുന്നു, എന്നാൽ ഇപ്പോൾ അത് പത്ത് സെക്കൻഡ് മാത്രമേ എടുക്കൂ, കാര്യക്ഷമതയിൽ വലിയ പുരോഗതി.
മൂന്നാം റൗണ്ട് പരിശോധന: ഭാഷാഭേദ തിരിച്ചറിയൽ പൂർണ്ണമായും കൈകാര്യം ചെയ്തു, നമ്പർ ഫോർമാറ്റ് പരിവർത്തനം യാന്ത്രികമായിരുന്നു.
ശബ്ദ ഇൻപുട്ടിലെ മറ്റൊരു പ്രധാന വെല്ലുവിളി പ്രാദേശിക ഭാഷകളാണ്. എന്നിരുന്നാലും, CosyVoice ഇത് എളുപ്പത്തിൽ കൈകാര്യം ചെയ്യുന്നു.
ഷാങ്ഹായിൽ നിന്നുള്ള എന്റെ സുഹൃത്ത് പറഞ്ഞു, "ഇന്ന് കാലാവസ്ഥ വളരെ നല്ലതാണ്, നമുക്ക് ബണ്ടിൽ നടക്കാൻ പോകാം."
അത് ഇങ്ങനെ ലിപ്യന്തരണം ചെയ്തു: "ഇന്ന് കാലാവസ്ഥ വളരെ നല്ലതാണ്, നമുക്ക് ബണ്ടിലേക്ക് പോകാം."
ഇതിന് ഷാങ്ഹൈനീസ് മാത്രമല്ല, കന്റോണീസ്, സിചുവനീസ് ഭാഷകളും മനസ്സിലാകും. വിവിധ പ്രദേശങ്ങളിൽ ആശയവിനിമയം നടത്തേണ്ട പ്രൊഫഷണലുകൾക്ക്, ഈ സവിശേഷത ഒരു രക്ഷകനാണ്.
അതിലും മികച്ചത്, ഇതിന് സംഖ്യാ ഫോർമാറ്റുകൾ യാന്ത്രികമായി തിരിച്ചറിയാൻ കഴിയും. ഉദാഹരണത്തിന്, "12.6%" നേരിട്ട് "12.6%" ആയി പരിവർത്തനം ചെയ്യപ്പെടുന്നു; "3.58 ദശലക്ഷം" എന്നത് യാന്ത്രികമായി "358 ദശലക്ഷമായി" പരിവർത്തനം ചെയ്യപ്പെടുന്നു. സാമ്പത്തിക, ഡാറ്റാ സംബന്ധിയായ സാഹചര്യങ്ങളിൽ കൂടുതൽ മാനുവൽ എഡിറ്റിംഗ് ആവശ്യമില്ല.
നാലാം റൗണ്ട് അനുഭവം: പ്രത്യേക പദാവലിയുടെ തിരിച്ചറിയൽ മെച്ചപ്പെടുത്തുന്നതിനുള്ള ചൂടുള്ള പദ കഴിവുകൾ.
തീർച്ചയായും, അത് പൂർണമല്ല. അതിന്റെ പ്രത്യേക നാമങ്ങളെ തിരിച്ചറിയുന്നതിൽ ഇപ്പോഴും അൽപ്പം കുറവുണ്ട്. ഉദാഹരണത്തിന്, ഞാൻ "ഡു ജിയ" എന്ന് പറയുമ്പോൾ, അത് അതിനെ "ഡു ജിയ" ആയി തിരിച്ചറിയുന്നു, അത് അർത്ഥം പൂർണ്ണമായും തെറ്റിക്കുന്നു.
ഭാഗ്യവശാൽ, ഔദ്യോഗിക ഡോക്യുമെന്റേഷൻ ഒരു "ഹോട്ട് വേഡ് സ്കിൽ" സവിശേഷത നൽകുന്നു, ഇത് ഉപയോക്താക്കൾക്ക് ഇഷ്ടാനുസൃത വാക്കുകൾ സ്വമേധയാ ചേർക്കാൻ അനുവദിക്കുന്നു. ഇവ ചേർത്തതിനുശേഷം, കൃത്യത നിരക്ക് ഗണ്യമായി മെച്ചപ്പെടുന്നു. ഇത് ഒരു പ്രായോഗിക പരിഹാര പരിഹാരമാണ്.
പ്രായോഗിക പരീക്ഷണ സംഗ്രഹം: വോയ്സ് ഇൻപുട്ടിൽ നിന്ന് ഒരു ഓപ്ഷനായി പ്രാഥമിക പരിഹാരത്തിലേക്കുള്ള കുതിപ്പ്.
ഈ പരീക്ഷണത്തിൽ നിന്നുള്ള ഏറ്റവും വലിയ നേട്ടം, ക്വിയാൻവെൻ ഇൻപുട്ട് രീതി "ശബ്ദം പകർത്തിയെഴുതുക" മാത്രമല്ല, "നിങ്ങൾ എന്താണ് പറയാൻ ആഗ്രഹിക്കുന്നതെന്ന് മനസ്സിലാക്കുകയും ചെയ്യുന്നു" എന്നതാണ്.
- ഫില്ലർ വാക്കുകൾ സ്വയമേവ നീക്കം ചെയ്യുക, സ്വമേധയാലുള്ള ഇല്ലാതാക്കലിനും എഡിറ്റിംഗിനും വിട പറയുക.
- വിലാസ മാറ്റം സുഗമമായിരുന്നു, ഒരു യഥാർത്ഥ വ്യക്തിയുമായുള്ള സംഭാഷണം പോലെ സ്വാഭാവികമായിരുന്നു.
- സംസാരിക്കുന്ന വാക്കുകൾ നേരിട്ട് ഇമെയിലുകളാക്കി മാറ്റുകയും പത്ത് സെക്കൻഡിനുള്ളിൽ ഡ്രാഫ്റ്റുകൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.
ഈ മൂന്ന് കഴിവുകളുടെയും സംയോജനം വോയ്സ് ഇൻപുട്ടിനെ "ഓപ്ഷണൽ" പരിഹാരത്തിൽ നിന്ന് ഒരു യഥാർത്ഥ "പ്രാഥമിക പരിഹാര"മാക്കി മാറ്റി.
"സാങ്കേതികവിദ്യ അത്ഭുതകരമാണ്" എന്ന് ആളുകളെ ചിന്തിപ്പിക്കുന്നതിലല്ല, മറിച്ച് "ഇത് ശരിക്കും നന്നായി പ്രവർത്തിക്കുന്നു" എന്ന് ആളുകളെ ചിന്തിപ്പിക്കുന്നതിലാണ് അതിന്റെ മൂല്യം. ഒരു AI ഇൻപുട്ട് രീതി ഇങ്ങനെയായിരിക്കണം.
ഉപസംഹാരമായി, വോയ്സ് ഇൻപുട്ടിന്റെ ഭാവി വന്നിരിക്കുന്നു; യഥാർത്ഥ ബുദ്ധി അത് ഉപയോഗിക്കാൻ എളുപ്പമാക്കുന്നതിലാണ്.
വിവരങ്ങളുടെ അമിതഭാരം നിറഞ്ഞ ഈ കാലഘട്ടത്തിൽ, കാര്യക്ഷമത ഉൽപ്പാദനക്ഷമതയ്ക്ക് തുല്യമാണ്. "സുഗമമായ" ഉപയോക്തൃ അനുഭവമുള്ള ആലിബാബയുടെ കോസിവോയ്സ് ഇൻപുട്ട് രീതി, വോയ്സ് ഇൻപുട്ട് ഇനി ഒരു ഗിമ്മിക്ക് അല്ല, മറിച്ച് നമ്മൾ പ്രവർത്തിക്കുന്ന രീതിയെ യഥാർത്ഥത്തിൽ പരിവർത്തനം ചെയ്യാൻ കഴിയുന്ന ഒരു ഉപകരണമാണെന്ന് തെളിയിക്കുന്നു.
ഇത് നമ്മെ മടുപ്പിക്കുന്ന എഡിറ്റിംഗിൽ നിന്ന് മോചിപ്പിക്കുകയും ഉള്ളടക്കത്തിൽ തന്നെ ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ അനുവദിക്കുകയും ചെയ്യുന്നു.
ഭാവിയുടെ എഴുത്ത് ഇനി കീബോർഡിൽ വിരലുകൾ തട്ടുന്നതിനെക്കുറിച്ചായിരിക്കില്ല, മറിച്ച് ചിന്തകളുടെയും ഭാഷയുടെയും നേരിട്ടുള്ള ഒഴുക്കിനെക്കുറിച്ചായിരിക്കും.
യഥാർത്ഥ ബുദ്ധി എന്നത് സാങ്കേതികവിദ്യ പ്രദർശിപ്പിക്കുക എന്നതല്ല, മറിച്ച് ആളുകൾക്ക് ഉപയോഗിക്കാൻ എളുപ്പമുള്ള കാര്യങ്ങൾ ഉണ്ടാക്കുക എന്നതാണ്.
ഹോപ്പ് ചെൻ വെയ്ലിയാങ് ബ്ലോഗ് ( https://www.chenweiliang.com/ ഇവിടെ പങ്കുവെച്ചിരിക്കുന്ന "Alibaba's CosyVoice AI ഇൻപുട്ട് രീതി യഥാർത്ഥ ലോക പരിശോധന: ഹാൻഡ്സ്-ഫ്രീ ഹാൻഡ്സ്-ഫ്രീ, സ്പീച്ച്-ടു-ടെക്സ്റ്റ് ഔട്ട്പുട്ട്, സുഗമത പ്രതീക്ഷകളെ കവിയുന്നു" എന്ന ലേഖനം നിങ്ങൾക്ക് സഹായകരമായേക്കാം.
ഈ ലേഖനത്തിന്റെ ലിങ്ക് പങ്കിടാൻ സ്വാഗതം:https://www.chenweiliang.com/cwl-34393.html