Alibaba-ийн CosyVoice хиймэл оюун ухааны оролтын аргын бодит туршилт: Гар ашиглахгүйгээр оролт, ярианаас текст рүү хөрвүүлэх гаралт, жигд байдал нь хүлээлтээс хамаагүй давсан

Жинхэнэ гаргүй эрх чөлөөг мэдрэхийг хүсч байна уу? Энэ нийтлэлд Alibaba-ийн 1000 асуултад үндэслэсэн гүнзгий тестийг оруулсан болно.AIОролтын арга болох CosyVoice нь танд "ярьмагцаа ноорог үүсгэх" хамгийн жигд туршлагыг харах боломжийг олгоно.

чи байгаа эсэхөөрөө хэвлэл мэдээллийн хэрэгсэлТа зохиолч, оффисын ажилтан эсвэл өндөр бүтээмж эрэлхийлж буй хүн байсан ч CosyVoice-ийн энэхүү тойм болон хэрэглэгчийн гарын авлага нь үнэхээр хэрэгтэй эсэхийг болон үр ашгаа хоёр дахин нэмэгдүүлэхийн тулд хэрхэн ашиглахыг танд хэлэх болно. Хамгийн сүүлийн үеийн хиймэл оюун ухаант дуу хоолойд суурилсан текст бичих технологийг одоо нээгээрэй!

Олон хүн нийтлэл бичихдээ "дуу хоолойгоор оруулах алдаа"-тай тулгардаг. Урт догол мөрийг хэлсний дараа дэлгэц дээр "мм", "тэр байна", "тийм ээ" гэсэн үгс гарч ирдэг тул устгахад төвөгтэй болгодог. Alibaba-ийн CosyVoice оролтын арга гарч иртэл би дуу хоолойгоор оруулах нь "чөлөөтэй ярьж, сайхан бичих" боломжтой гэдгийг ойлгосонгүй.

Видеоны цагийн тэмдэг:

Эхний шатны туршлагууд: Нэг товшилтоор цэвэр ноорог үүсгэсэн, дүүргэгч үгс шууд алга болно.

Уламжлалт дуут оролтын хамгийн том асуудал бол дүүргэгч үгсийг хэт их ашиглах явдал юм. Уулзалт дээр тэмдэглэл хөтлөхдөө та маш их ярьдаг ч үүнээс үүдэлтэй текст замбараагүй болдог.

Би өгүүлбэр хэлэхийн тулд Qianwen оролтын аргыг ашиглаж үзсэн:

"Аан...тэр...төслийн явцын тайлан ирэх долоо хоногт гарна, өгөгдлийг урьдчилан бэлтгэж, юу ч алдахгүй байхыг анхаараарай."

Дэлгэц дээр дараах үр дүн гарч ирэв:

"Дараагийн долоо хоногийн төслийн явцын тайланд зориулж мэдээллээ урьдчилан бэлтгэж, юу ч орхигдуулаагүй эсэхийг шалгаарай."

Хэн нэгэн миний гар бичмэлийг арчиж хаясан юм шиг миний бүх уриа лоозон тэр даруй алга болсон. Бүр гайхмаар нь энэ нь тэдгээрийг автоматаар жагсаалт болгон зохион байгуулж чаддаг байв:

1. Төслийн явцын тайланг ирүүлэх
2. Шаардлагын шийдлийг гүйцээнэ үү
3. Маркетингийн төлөвлөгөөг тодорхойлох

Тэр мөчид би үүнийг уламжлалт дуу хоолойн оролтоос тэс өөр төрөл зүйл гэдгийг үнэхээр мэдэрсэн.

Хоёр дахь шатны туршлага: Үгсийг жигд сольж, аман яриа шууд л стандарт имэйл болдог.

Би түүний алдаа засах чадварыг санаатайгаар туршиж үзсэн:

"Маргаашийн уулзалт гуравдугаар давхрын хоёрдугаар уулзалтын өрөөнд болно - үгүй, үгүй, гуравдугаар давхрын гуравдугаар уулзалтын өрөө болгон өөрчилье."

Энэ нь шууд "Маргаашийн уулзалт гуравдугаар давхрын гуравдугаар хурлын өрөөнд болно" гэж гаргана.
Хаягийн өөрчлөлт ямар ч ул мөр үлдээсэнгүй, энэ нь хүнтэй хийсэн яриа шиг байгалийн жам юм.

Намайг бүр ч их гайхшруулсан зүйл бол энэ нь ярианы үгсийг шууд имэйл болгон хөрвүүлж чаддаг байсан явдал байв. Би:

"Та үүнийг надад албан ёсны имэйл хэлбэрээр бичиж өгч болох уу? Би пүрэв гарагийн 15:00 цагт ноён Жантай Q3 брэндийн сурталчилгааны төлөвлөгөөний талаар уулзах цаг товлохыг хүсэж байна. Хэрэв түүнд тохиромжгүй байвал бид тохиролцож болно."

Хэдэн секундын дараа бүрэн хэмжээний имэйл үүсгэгдсэн:

Гарчиг: "3-р улирлын брэндийн сурталчилгааны төлөвлөгөө"-ний талаар харилцах урилга

Ноён Жан, сайн уу:

Энэ төлөвлөгөөг илүү сайн урагшлуулахын тулд би тантай хэдэн гол зүйлийн талаар биечлэн ярилцахыг хүсэж байна. Энэ Пүрэв гарагийн 3:00 цаг танд тохиромжтой цаг байх болов уу? Хэрэв үгүй ​​бол илүү тохиромжтой цагийн хуваарийг оруулна уу, би зохицуулъя.

Баярлалаа!
Маркетингийн хэлтэс Сяо Ли

Өмнө нь ийм имэйл бичихэд дор хаяж гурваас таван минут шаардагддаг байсан бол одоо ердөө арван секунд л шаардагддаг болсон нь үр ашгийг эрс сайжруулсан үзүүлэлт юм.

Гурав дахь шатны туршилт: Аялгуу таних ажиллагааг бүрэн зохицуулсан бөгөөд тоон форматыг автоматаар хөрвүүлсэн.

Дуу хоолойгоор оруулахтай холбоотой бас нэг томоохон бэрхшээл бол аялга юм. Гэсэн хэдий ч CosyVoice үүнийг хялбархан зохицуулдаг.

Шанхайгаас ирсэн найз маань "Өнөөдөр цаг агаар үнэхээр сайхан байна, Бунд руу зугаалъя" гэж хэлсэн.
Үүнийг "Өнөөдөр цаг агаар үнэхээр сайхан байна, Бунд руу явцгаая" гэж галигласан байв.

Энэ нь зөвхөн Шанхай хэл төдийгүй Кантон, Сычуань хэлийг ч ойлгож чадна. Бүс нутгаар харилцах шаардлагатай мэргэжилтнүүдийн хувьд энэ функц нь аврах хэрэгсэл юм.

Бүр илүү сайн нь энэ нь тоон форматыг автоматаар таньж чаддаг. Жишээлбэл, "12.6%"-г шууд "12.6%" болгон хөрвүүлдэг; "3.58 сая"-г автоматаар "358 сая" болгон хөрвүүлдэг. Санхүүгийн болон өгөгдөлтэй холбоотой тохиолдолд гараар засварлах шаардлагагүй.

Дөрөв дэх шатны туршлага: Халуун үгс. Нэрийн үгсийн санг таних чадварыг сайжруулах ур чадварууд.

Мэдээж энэ нь төгс биш. Энэ нь тусгай нэр үгсийг таних тал дээр жаахан дутагдалтай хэвээр байна. Жишээлбэл, би "ду жиа" гэж хэлэхэд энэ нь үүнийг "ду жиа" гэж таньдаг бөгөөд энэ нь гол санааг нь бүрэн алддаг.

Аз болоход, албан ёсны баримт бичиг нь "Халуун үгийн чадвар" функцийг хэрэглэгчдэд гараар өөрчлөн тохируулсан үгс нэмэх боломжийг олгодог. Эдгээрийг нэмсний дараа нарийвчлалын түвшин мэдэгдэхүйц сайжирдаг. Энэ бол практик засах шийдэл юм.

Практик туршилтын хураангуй: Дуут оролтоос үндсэн шийдлийн сонголт болгон үсрэлт

Туршилтаас хамгийн том дүгнэлт бол Qianwen Input Method нь зөвхөн "дуу авиаг хөрвүүлээд зогсохгүй" "таны хэлэхийг хүссэн зүйлийг ойлгодог" явдал юм.

• Дүүргэгч үгсийг автоматаар устгаж, гараар устгах болон засварлахад баяртай гэж хэлээрэй.
• Хаягийн өөрчлөлт нь жинхэнэ хүнтэй ярилцаж байгаа мэт байгалийн жамаар, саадгүй болсон.
• Ярианы үгсийг шууд имэйл болгон хөрвүүлдэг бөгөөд ноорог нь арван секундын дотор үүсдэг.

Эдгээр гурван чадварын хослол нь дуут оролтыг "заавал биш" шийдлээс жинхэнэ "анхдагч шийдэл" болгон хувиргасан.

Үүний үнэ цэнэ нь хүмүүсийг "технологи гайхалтай" гэж бодоход биш, харин "энэ үнэхээр сайн ажилладаг" гэж бодоход оршино. Хиймэл оюун ухааны оролтын арга ийм л байх ёстой.

Эцэст нь хэлэхэд, дуут оролтын ирээдүй ирлээ; жинхэнэ оюун ухаан нь үүнийг ашиглахад хялбар болгоход оршино.

Мэдээллийн хэт ачааллын энэ эрин үед үр ашиг нь бүтээмжтэй тэнцүү байна. Alibaba-ийн CosyVoice оролтын арга нь "гөлгөр" хэрэглэгчийн туршлагатай тул дуу хоолойгоор оролт нь заль мэх биш, харин бидний ажиллах арга барилыг үнэхээр өөрчлөх боломжтой хэрэгсэл гэдгийг харуулж байна.

Энэ нь биднийг уйтгартай засварлахаас чөлөөлж, агуулга дээрээ анхаарлаа төвлөрүүлэх боломжийг олгодог.

Ирээдүйн бичвэрүүд цаашид гар дээр хуруугаараа товших тухай биш, харин бодол санаа, хэлний шууд урсгалын тухай байх болно.

Жинхэнэ оюун ухаан бол технологийг гайхуулах тухай биш, харин хүмүүст ашиглахад хялбар болгох тухай юм.