Pagsubok sa Totoong Mundo ng Pamamaraan ng Pag-input ng CosyVoice AI ng Alibaba: Ang Hands-Free Input, Speech-to-Text Output, at ang Kinis ay Higit na Lumalagpas sa Inaasahan

Gusto mo bang maranasan ang tunay na kalayaan sa paggamit ng kamay? Ang artikulong ito ay nagbibigay ng isang malalimang pagsubok batay sa 1000 Tanong ng Alibaba.AIAng CosyVoice, isang paraan ng pag-input, ay nagbibigay sa iyo ng sulyap sa tunay na maayos na karanasan ng "pagbuo ng mga draft sa sandaling magsalita ka".

Kung ikaw manself-mediaManunulat ka man, nagtatrabaho sa opisina, o isang taong naghahangad ng mataas na produktibidad, ang pagsusuri ng tampok at gabay sa paggamit ng CosyVoice na ito ay magsasabi sa iyo kung ito ba ay tunay na kapaki-pakinabang at kung paano ito gamitin upang madoble ang iyong kahusayan. I-unlock na ngayon ang pinakabagong teknolohiya sa pagsulat ng teksto na nakabatay sa AI voice!

Maraming tao ang nakaranas ng mga "kapahamakan sa pag-input ng boses" kapag nagsusulat ng mga artikulo. Pagkatapos magsalita ng mahabang talata, ang screen ay puno ng "um," "iyan," at "tama," kaya nakakadismaya itong burahin. Nang dumating ang paraan ng pag-input ng CosyVoice ng Alibaba saka ko lang napagtanto na ang pag-input ng boses ay tunay na makakamit ang "malayang pagsasalita at magandang pagsusulat."

Timestamp ng Video:

Unang yugto ng karanasan: Malinis na draft na nabuo sa isang click lang, agad na nawawala ang mga salitang pampuno.

Ang pinakamalaking problema ng tradisyonal na voice input ay ang labis na paggamit ng mga salitang pampuno. Kapag kumukuha ng mga tala sa isang pulong, marami kang sasabihin, ngunit ang resultang teksto ay magulo.

Sinubukan kong gamitin ang Qianwen input method para magsabi ng isang pangungusap:

"Um...iyon...ang progress report ng proyekto sa susunod na linggo, pakihanda ang datos nang maaga, at siguraduhing walang makaligtaan."

Ang resultang ipinakita sa screen ay:

"Pakihanda nang maaga ang inyong datos para sa ulat ng progreso ng proyekto sa susunod na linggo, at siguraduhing walang makaligtaan."

Lahat ng aking mga catchphrase ay agad na nawala, na parang may nagbura sa aking manuskrito. Ang mas nakakagulat pa, awtomatiko nitong naaayos ang mga ito sa isang listahan:

1. Isumite ang ulat ng progreso ng proyekto
2. Kumpletuhin ang solusyon sa mga kinakailangan
3. Tukuyin ang plano sa marketing

Sa sandaling iyon, talagang naramdaman ko na ibang-iba ito sa tradisyonal na voice input.

Ikalawang yugto ng karanasan: Walang patid na pagpapalit ng mga salita, ang berbal na pagsasalaysay ay agad na nagiging karaniwang email.

Sinadya kong sinubukan ang mga kakayahan nito sa pagwawasto ng error:

"Ang meeting bukas ay gaganapin sa meeting room number two sa ikatlong palapag—hindi, hindi, palitan natin ito ng meeting room number three sa ikatlong palapag."

Direktang lumalabas: "Ang pulong bukas ay gaganapin sa silid-pulungan bilang tatlo sa ikatlong palapag."
Ang pagpapalit ng address ay walang iniwang bakas, kasing natural ng isang pag-uusap sa isang tao.

Ang mas ikinagulat ko pa ay ang kakayahang direktang i-convert ang mga sinasalitang salita sa mga email. Sabi ko:

"Maaari mo ba itong isulat sa pormal na email format para sa akin? Gusto kong mag-iskedyul ng meeting kay Mr. Zhang sa ganap na 3 PM sa Huwebes tungkol sa plano ng promosyon ng brand sa Q3. Kung hindi siya maabala, maaari tayong mag-ayos."

Pagkalipas ng ilang segundo, isang kumpletong email ang nabuo:

Paksa: Imbitasyon para Makipag-usap Tungkol sa "Plano sa Pag-promote ng Brand sa Q3"

Ginoong Zhang, kumusta:

Para mas maisulong ang planong ito, nais kong talakayin sa inyo nang personal ang ilang mahahalagang punto. Magiging maginhawa ba para sa inyo ang alas-3:00 ng hapon ngayong Huwebes? Kung hindi, mangyaring magbigay ng mas maginhawang oras, at aayusin ko ito.

Salamat!
Kagawaran ng Marketing Xiao Li

Dati, ang pagsusulat ng mga ganitong email ay aabutin ng hindi bababa sa tatlo hanggang limang minuto, ngunit ngayon ay sampung segundo na lang ang kailangan, isang malaking pagbuti sa kahusayan.

Ikatlong yugto ng pagsubok: Ganap na nahawakan ang pagkilala sa diyalekto, at awtomatiko ang conversion ng format ng numero.

Ang isa pang malaking hamon sa pag-input ng boses ay ang mga diyalekto. Gayunpaman, madali itong nahaharap ng CosyVoice.

Sabi ng kaibigan ko mula sa Shanghai, "Napakaganda ng panahon ngayon, tara na't mamasyal sa Bund."
Ito ay isinalin bilang: "Napakaganda ng panahon ngayon, pumunta tayo sa Bund."

Hindi lamang ang wikang Shanghainese ang naiintindihan nito, kundi pati na rin ang Cantonese at Sichuanese. Para sa mga propesyonal na kailangang makipag-ugnayan sa iba't ibang rehiyon, ang tampok na ito ay isang malaking tulong.

Mas maganda pa rito, awtomatiko nitong nakikilala ang mga format ng numero. Halimbawa, ang "12.6%" ay direktang kino-convert sa "12.6%"; ang "3.58 milyon" ay awtomatikong kino-convert sa "358 milyon". Hindi na kailangan ng manu-manong pag-edit sa mga sitwasyong pinansyal at may kaugnayan sa datos.

Ikaapat na yugto ng karanasan: Mga Kasanayan sa Mainit na Salita upang mapabuti ang pagkilala sa mga natatanging bokabularyo

Siyempre, hindi ito perpekto. Medyo kulang pa rin ang pagkilala nito sa mga niche proper nouns. Halimbawa, kapag sinabi kong "du jia," kinikilala nito ito bilang "du jia," na talagang hindi natutukoy ang punto.

Mabuti na lang at ang opisyal na dokumentasyon ay nagbibigay ng tampok na "Hot Word Skill", na nagpapahintulot sa mga user na manu-manong magdagdag ng mga pasadyang salita. Pagkatapos idagdag ang mga ito, ang antas ng katumpakan ay bumubuti nang malaki. Ito ay isang praktikal na solusyon.

Buod ng Praktikal na Pagsusulit: Ang Paglipat mula sa Voice Input bilang isang Opsyon Patungo sa Pangunahing Solusyon

Ang pinakamalaking natutunan mula sa pagsubok ay ang Qianwen Input Method ay hindi lamang "nagta-transcribe ng tunog," kundi "naiintindihan din nito ang gusto mong sabihin."

• Awtomatikong tanggalin ang mga salitang pampalubag-loob, magpaalam sa manu-manong pagbura at pag-eedit.
• Ang pagpapalit ng address ay naging maayos, kasing natural ng isang pag-uusap sa isang totoong tao.
• Ang mga salitang binibigkas ay direktang kino-convert sa mga email, at ang mga draft ay nabubuo sa loob ng sampung segundo.

Ang kombinasyon ng tatlong kakayahang ito ay nagpabago sa input ng boses mula sa isang "opsyonal" na solusyon tungo sa isang tunay na "pangunahing solusyon".

Ang halaga nito ay wala sa pagpapaisip sa mga tao na "kamangha-mangha ang teknolohiya," kundi sa pagpapaisip sa mga tao na "gumagana ito nang maayos." Ganoon dapat ang isang paraan ng pag-input ng AI.

Bilang konklusyon, dumating na ang kinabukasan ng voice input; ang tunay na katalinuhan ay nakasalalay sa pagpapadali nito sa paggamit.

Sa panahong ito ng labis na impormasyon, ang kahusayan ay katumbas ng produktibidad. Ang paraan ng pag-input ng CosyVoice ng Alibaba, kasama ang "makinis" na karanasan ng gumagamit, ay nagpapakita na ang pag-input ng boses ay hindi na isang gimik, kundi isang kasangkapan na tunay na makapagpapabago sa paraan ng ating pagtatrabaho.

Pinalalaya tayo nito mula sa nakakapagod na pag-eedit at nagbibigay-daan sa atin na magtuon sa mismong nilalaman.

Ang pagsusulat ng hinaharap ay hindi na tungkol sa pagtapik ng mga daliri sa keyboard, kundi tungkol sa direktang daloy ng mga kaisipan at wika.

Ang tunay na katalinuhan ay hindi tungkol sa pagpapasikat ng teknolohiya, kundi tungkol sa pagpapadali ng paggamit ng mga bagay-bagay para sa mga tao.