अलिबाबाको कोजीभ्वाइस एआई इनपुट विधि वास्तविक-विश्व परीक्षण: ह्यान्ड्स-फ्री इनपुट, स्पीच-टु-टेक्स्ट आउटपुट, सहजता अपेक्षाहरू भन्दा धेरै बढी

के तपाईं साँचो हात-मुक्त स्वतन्त्रताको अनुभव गर्न चाहनुहुन्छ? यो लेखले अलिबाबाको १००० प्रश्नहरूमा आधारित गहन परीक्षण प्रदान गर्दछ।AICosyVoice, एक इनपुट विधिले तपाईंलाई "बोल्ने बित्तिकै ड्राफ्टहरू उत्पन्न गर्ने" को परम सहज अनुभवको झलक प्रदान गर्दछ।

चाहे तपाईं हुनुहुन्छआत्म-मिडियातपाईं लेखक, कार्यालय कर्मचारी, वा उच्च उत्पादकत्व खोज्ने व्यक्ति हुनुहुन्छ भने, यो CosyVoice सुविधा समीक्षा र प्रयोगकर्ता गाइडले तपाईंलाई यो साँच्चै उपयोगी छ कि छैन र तपाईंको दक्षता दोब्बर बनाउन यसलाई कसरी प्रयोग गर्ने भनेर बताउनेछ। अहिले नै नवीनतम AI आवाज-आधारित पाठ लेखन प्रविधि अनलक गर्नुहोस्!

धेरै मानिसहरूले लेख लेख्दा "आवाज इनपुट समस्याहरू" अनुभव गरेका छन्। लामो अनुच्छेद बोलेपछि, स्क्रिन "उम," "त्यो," र "त्यो सही हो" ले भरिएको हुन्छ, जसले गर्दा यसलाई मेटाउन निराशाजनक हुन्छ। अलिबाबाको कोजीभ्वाइस इनपुट विधि नआएसम्म मैले महसुस गरें कि आवाज इनपुटले साँच्चै "स्वतन्त्र रूपमा बोल्ने र सुन्दर ढंगले लेख्ने" हासिल गर्न सक्छ।

भिडियो टाइमस्ट्याम्प:

पहिलो चरणको अनुभव: एक क्लिकमा सफा मस्यौदा उत्पन्न हुन्छ, फिलर शब्दहरू तुरुन्तै गायब हुन्छन्।

परम्परागत आवाज इनपुटको सबैभन्दा ठूलो पीडा भनेको फिलर शब्दहरूको अत्यधिक प्रयोग हो। बैठकमा नोट लिँदा, तपाईं धेरै कुरा गर्नुहुन्छ, तर परिणामस्वरूप पाठ गडबड हुन्छ।

मैले वाक्य भन्नको लागि Qianwen इनपुट विधि प्रयोग गर्ने प्रयास गरें:

"उम...त्यो...अर्को हप्ता परियोजनाको प्रगति प्रतिवेदन, कृपया पहिले नै तथ्याङ्क तयार गर्नुहोस्, र केही पनि छुटेको छैन भनी सुनिश्चित गर्नुहोस्।"

स्क्रिनमा प्रदर्शित नतिजा यस्तो थियो:

"कृपया अर्को हप्ताको परियोजना प्रगति प्रतिवेदनको लागि आफ्नो डेटा पहिले नै तयार गर्नुहोस्, र केहि पनि छुटेको छैन भनी सुनिश्चित गर्नुहोस्।"

मेरा सबै वाक्यांशहरू तुरुन्तै गायब भए, मानौं कसैले मेरो पाण्डुलिपि सफा गरेको थियो। अझ अचम्मको कुरा, यसले तिनीहरूलाई स्वचालित रूपमा सूचीमा व्यवस्थित गर्न सक्छ:

1. परियोजना प्रगति प्रतिवेदन पेश गर्नुहोस्
2. आवश्यकता समाधान पूरा गर्नुहोस्
3. मार्केटिङ योजना निर्धारण गर्नुहोस्

त्यो क्षणमा, मलाई साँच्चै महसुस भयो कि यो परम्परागत आवाज इनपुट भन्दा पूर्णतया फरक प्रजाति हो।

दोस्रो चरणको अनुभव: शब्दहरूको सहज परिवर्तन, मौखिक कथन तुरुन्तै मानक इमेल बन्छ।

मैले जानाजानी यसको त्रुटि-सुधार क्षमताहरूको परीक्षण गरें:

"भोलिको बैठक तेस्रो तल्लाको बैठक कोठा नम्बर दुईमा हुनेछ - होइन, होइन, यसलाई तेस्रो तल्लाको बैठक कोठा नम्बर तीनमा परिवर्तन गरौं।"

यसले सिधै भन्छ: "भोलिको बैठक तेस्रो तल्लाको बैठक कोठा नम्बर तीनमा हुनेछ।"
ठेगाना परिवर्तनले कुनै निशान छोडेन, कुनै व्यक्तिसँगको कुराकानी जत्तिकै स्वाभाविक।

मलाई अझ अचम्म लाग्ने कुरा के थियो भने यसले बोलिएका शब्दहरूलाई सिधै इमेलमा रूपान्तरण गर्न सक्छ। मैले भनें:

"के तपाईं यो मेरो लागि औपचारिक इमेल ढाँचामा लेख्न सक्नुहुन्छ? म बिहीबार दिउँसो ३ बजे श्री झाङसँग Q3 ब्रान्ड प्रवर्द्धन योजनाको बारेमा बैठकको तालिका बनाउन चाहन्छु। यदि यो उहाँलाई असुविधाजनक छ भने, हामी व्यवस्था गर्न सक्छौं।"

केही सेकेन्ड पछि, एउटा पूर्ण इमेल उत्पन्न भयो:

विषय: "Q3 ब्रान्ड प्रवर्द्धन योजना" बारे सञ्चार गर्न निमन्त्रणा

श्री झाङ, नमस्ते:

यो योजनालाई अझ राम्रोसँग अगाडि बढाउनको लागि, म तपाईंसँग व्यक्तिगत रूपमा केही मुख्य बुँदाहरू छलफल गर्न चाहन्छु। के यो बिहिबार दिउँसो ३:०० बजे तपाईंको लागि सुविधाजनक समय हुनेछ? यदि होइन भने, कृपया अझ सुविधाजनक समय स्लट प्रदान गर्नुहोस्, र म यसको व्यवस्था गर्नेछु।

धन्यवाद!
मार्केटिङ विभाग जिओ ली

पहिले, यस्ता इमेलहरू लेख्न कम्तिमा तीन देखि पाँच मिनेट लाग्थ्यो, तर अहिले दस सेकेन्ड मात्र लाग्छ, जुन दक्षतामा ठूलो सुधार हो।

परीक्षणको तेस्रो चरण: बोली पहिचान पूर्ण रूपमा ह्यान्डल गरियो, र संख्या ढाँचा रूपान्तरण स्वचालित थियो।

आवाज इनपुटको साथ अर्को प्रमुख चुनौती भनेको बोली हो। यद्यपि, CosyVoice ले यसलाई सजिलैसँग सम्हाल्छ।

सांघाईबाट आएको मेरो साथीले भन्यो, "आज मौसम एकदमै राम्रो छ, घुम्न बुन्ड जाऔं।"
यसलाई यसरी लिप्यन्तर गरिएको थियो: "आज मौसम धेरै राम्रो छ, बुन्ड जाऔं।"

यसले सांघाई भाषा मात्र नभई क्यान्टोनिज र सिचुआनी भाषा पनि बुझ्न सक्छ। क्षेत्रहरूमा सञ्चार गर्न आवश्यक पर्ने पेशेवरहरूका लागि यो सुविधा जीवन बचाउने हो।

अझ राम्रो, यसले स्वचालित रूपमा संख्या ढाँचाहरू पहिचान गर्न सक्छ। उदाहरणका लागि, "१२.६%" लाई सिधै "१२.६%" मा रूपान्तरण गरिन्छ; "३५८ मिलियन" लाई स्वचालित रूपमा "३५८ मिलियन" मा रूपान्तरण गरिन्छ। वित्तीय र डेटा-सम्बन्धित परिदृश्यहरूमा अब म्यानुअल सम्पादन आवश्यक पर्दैन।

अनुभवको चौथो चरण: विशिष्ट शब्दावलीको पहिचान सुधार गर्न तातो शब्द सीपहरू

अवश्य पनि, यो पूर्ण छैन। विशेष नामहरूको पहिचानमा अझै पनि केही कमी छ। उदाहरणका लागि, जब म "du jia" भन्छु, यसले यसलाई "du jia" को रूपमा चिन्छ, जसले बिन्दुलाई पूर्ण रूपमा छुटाउँछ।

सौभाग्यवश, आधिकारिक कागजातले "हट वर्ड स्किल" सुविधा प्रदान गर्दछ, जसले प्रयोगकर्ताहरूलाई म्यानुअल रूपमा अनुकूलन शब्दहरू थप्न अनुमति दिन्छ। यी थपेपछि, शुद्धता दरमा उल्लेखनीय सुधार हुन्छ। यो एक व्यावहारिक उपचारात्मक समाधान हो।

प्रयोगात्मक परीक्षण सारांश: प्राथमिक समाधानको विकल्पको रूपमा भ्वाइस इनपुटबाट छलांग

परीक्षणबाट सबैभन्दा ठूलो कुरा के हो भने कियानवेन इनपुट विधिले "ध्वनि ट्रान्सक्राइब मात्र गर्दैन, यसले "तपाईंले भन्न चाहनुभएको कुरा बुझ्छ।"

• फिलर शब्दहरू स्वचालित रूपमा हटाउनुहोस्, म्यानुअल मेटाउने र सम्पादन गर्ने कार्यलाई बिदाइ दिनुहोस्।
• ठेगाना परिवर्तन सहज थियो, वास्तविक व्यक्तिसँगको कुराकानी जत्तिकै स्वाभाविक।
• बोलिएका शब्दहरू सिधै इमेलमा रूपान्तरण हुन्छन्, र दस सेकेन्डमा ड्राफ्टहरू उत्पन्न हुन्छन्।

यी तीन क्षमताहरूको संयोजनले आवाज इनपुटलाई "वैकल्पिक" समाधानबाट वास्तविक "प्राथमिक समाधान" मा रूपान्तरण गरेको छ।

यसको मूल्य मानिसहरूलाई "प्रविधि अद्भुत छ" भन्ने सोच्न लगाउनुमा होइन, तर मानिसहरूलाई "यो साँच्चै राम्रोसँग काम गर्छ" भन्ने सोच्न लगाउनुमा निहित छ। एआई इनपुट विधि त्यस्तै हुनुपर्छ।

निष्कर्षमा, भ्वाइस इनपुटको भविष्य आइपुगेको छ; साँचो बुद्धिमत्ता यसलाई प्रयोग गर्न सजिलो बनाउनुमा निहित छ।

जानकारीको अत्यधिक प्रयोगको यस युगमा, दक्षता उत्पादकता बराबर छ। अलिबाबाको कोसीभ्वाइस इनपुट विधि, यसको "सहज" प्रयोगकर्ता अनुभवको साथ, आवाज इनपुट अब कुनै चालबाजी नभएको, तर हामीले काम गर्ने तरिकालाई साँच्चै रूपान्तरण गर्ने उपकरण हो भनेर देखाउँछ।

यसले हामीलाई थकाइलाग्दो सम्पादनबाट मुक्त गर्छ र हामीलाई सामग्रीमा नै ध्यान केन्द्रित गर्न अनुमति दिन्छ।

भविष्यको लेखन अब किबोर्डमा औंलाहरूले ट्याप गर्ने बारेमा हुनेछैन, तर विचार र भाषाको प्रत्यक्ष प्रवाहको बारेमा हुनेछ।

साँचो बुद्धिमत्ता भनेको प्रविधि देखाउनु होइन, तर मानिसहरूलाई प्रयोग गर्न सजिलो बनाउनु हो।