政策新闻-"友田真希"-遭GPT-4o碾压，豆包们直友田真希面语音AI生死战

遭GPT-4o碾压，豆包们直友田真希面语音AI生死战_ZAKER新闻

　　中国的对外政策始终是一贯的，即推进相互尊重、公平正义、合作共赢。<strong>中美关系这样的大国关系，固然因为两国经济体量、人口总数、贸易总额之庞大而对世界局势呈现出牵一发而动全身的态势，但其依然是新型国际关系的一个子集。</strong>

在算力资源的匮乏下，中国的实时语音 AI 正面临着一场艰难的较量，试图在技术舞台上与 GPT-4o 一决高下，这无疑是当前中国 AI 版图中的尴尬局面。最近，语音 AI 这个赛道，又被 OpenAI 搞火了。就在 9 月 25 日，GPT-4o 高级语音终于开始全量推出，Plus 用户一周内都能用了。在 OpenAI 的移动端 APP 上即可体验！讲真，这是 AI 渐冷的日子里，为数不多的 " 高光时刻 "。此外，还带上了一些更新，增加自定义指令、记忆、5 种新的声音和改进的口音。与标准语音模式进行区分（黑色旋转球），高级语音将以蓝色旋转球表示。并且，其中还包括对诸如重庆话、北京儿化音等地域性方言的精准模仿，可以说是学嘛像嘛。在消除语音机械感的同时，用户不仅可以随时打断通话，即使不和它说话时，它也能保持安静，一旦有任何问题可随时向它提出。从总体上来说，这次语音 AI 的更新，让 GPT-4o 的交互越来越有 " 人味 " 了。不过，早在 GPT-4o 的实时语音功能推出前，国内的一批大厂，就已经率先开始了对语音 AI 这块高地的争夺，其焦点也是冲着 " 实时交流 "" 真人化 " 等方向去的。至于结果 …… 只能说，在 " 徒有其表 " 的模仿下，国内的语音 AI，离真正通用且泛化的人机交互方式，还有相当一段距离。短板暴露在 AI 时代，语音 AI 最大的意义是什么？对于这个问题，科大讯飞给出了一个具有全局性的答案：语音平台可能成为未来物联网的 " 操作系统 "，换句话说，就是当物联网将所有的设备都能联网后，什么智能硬件、自动驾驶汽车、消费级机器人等等，都是潜在的应用场景。到那时候，要想让这些设备能听懂人话，那就得靠语音平台了。但是，虽然总的思路挺有格局的，但在具体实施的手段上，讯飞这样的大厂却走了一条" 自下而上 " 的路线。大体意思是，在语音 AI 生态的构建上，讯飞这几年基本上是从行业场景一个个往下打，像教育、医疗、政务这些场景，都是它们重点发力的地方。从总体上看，讯飞的策略是先抓住这些垂直领域，通过提供专用解决方案来逐步累积数据和优化算法。这个做法有个好处，就是每个场景里，讯飞可以做得很深、很专。举例来说，讯飞在 2022 年推出了 " 讯飞医疗 AI 医生助手 "，这款产品能在病历记录、辅助诊疗等方面提供语音输入和智能建议，帮助医生减轻文书工作压力。类似的例子，还有讯飞在 2023 年推出了 " 智慧课堂解决方案 "，旨在通过语音识别和评测技术，帮助教师进行实时的课堂互动与教学反馈。在这些垂直领域，星火的定制化方案，确实解决了很多行业痛点，也使得讯飞能够在激烈的市场竞争中保持行业的龙头地位。在 GPT-4o 推出语音演示功能后，讯飞的星火大模型，也紧随其后，推出了同样能够极速响应、自由打断，且能在各种情感、风格、方言随意切换的语音 AI。然而，对于构建能够 " 统一调度 " 的大平台级别的语音 AI 来说，除了做到布局广，且 " 说话流畅 " 之外，还有至关重要的一步。那就是：实时状态下的语音 AI，究竟能否帮助用户解决一些较为复杂的需求？关于这点，我们对讯飞的星火大模型进行了一次测试。左：纯文本状态下的回答，右：实时语音状态下的回答例如，在询问开封有哪些著名景点时，讯飞的实时语音 AI，虽然回答得很流畅，但答案却较为简单，比纯文本状态下省略了很多内容。那造成这种差距的关键原因是什么？其实，对于 GPT-4o 这样的语音 AI 来说，除了确保通话流畅的 RTC 技术外，其背后还有一种关键的技术。这就是端到端的语音大模型。在以往的 AI 语音交互中，语音的处理大致分成了三个步骤。传统的 STT（语音识别，Speech-to-Text）-LLM（大模型语义分析）- TTS（文本到语音，Text To Speech）三步走的语音技术。这样的技术，特点是成熟，但反应慢，缺乏对语气等关键信息的理解，无法做到真正的实时语音对话。与过去的三步式语音交互产品相比，GPT-4o 是一款跨文本、视觉和音频端到端训练的新模型，这意味着所有输入和输出都由同一个神经网络处理。这也是 GPT-4o 说话时反应贼快，智商还在线的重要原因。而当今一众力图模仿 GPT-4o 的国产厂商，例如字节跳动，虽然依靠 RTC 技术，让语音 AI 做到了流畅、即时，但在最核心的 " 内功 "，即端到端语音模型方面，却露出了短板。" 智力 " 缩水在今年的 8 月 21 日，字节挑动的豆包大模型，搭载了火山引擎的 RTC 技术，也实现了类似 GPT-4o 的实时音频互动表现，能够做到随时打断，交流自然，感觉就像真人说话一样。所谓 RTC（Real-Time Communication）技术，是一种支持实时语音、实时视频等互动的技术。旨在降低语音通话中的延迟，使得用户在进行语音对话时感觉更加自然和顺畅。但 RTC 主要解决的，仅仅是语音 AI 流畅性和实时性问题，但它并不能直接整合语音识别、理解和生成的步骤。换句话说，在实时通话时，模型虽然话说得利索了，但智商却不一定在线。一个明显的例子，就是字节的豆包大模型，在通过实时语音 AI 与用户交流时，遇到了和讯飞星火一样的问题，那就是语音 AI 的智力，明显比纯文本大模型被 " 砍 " 了很多。左：实时语音状态下豆包的回答，右：纯文本状态下豆包的回答例如，在对《黑神话：悟空》这一话题进行交流时，纯文本状态下的豆包，回答明显要比实时语音的豆包要更详细，更有针对性。一个可能的原因，是豆包在进行语音交互时，使用的并不是真正的端到端语音大模型。在非端到端模型中，语音识别、理解和生成可能仍然是分开的步骤，模型需要在极短的时间内完成语音识别、理解和生成，而这一过程的计算和响应速度，会限制其对复杂问题的深入处理。当模型被迫快速反应时，由于无法充分利用上下文信息，从而导致了 " 智力下降 " 的表现。其实，真正的端到端语音大模型，实现起来远非想象中那么简单。其中的难点，一在训练数据，二在计算资源；根据腾讯算法工程师 Marcus Chen 的推测，GPT-4o 这样的端到端语音大模型，背后使用的一种工程学方法，很可能是一种名叫离散化技术的路子。这个技术，简单点说，就是把这些连续的声音波形切成一段一段的，每一段都提取出它特有的特征，比如语音的语义信息和声学特征。这些特征就像是一个个小的 " 口令 "，机器可以把它们当成输入，丢到语言模型里去学习和理解。但这可不是什么人人都能轻松掌握的技术。要想做出高质量的语音 token，需要大量的数据积累和复杂的建模过程。这样的高质量数据，往往来自高质量的视频、播客等等。成本是过去文字训练模型的几十倍甚至更高。而在计算资源方面，在实时互动场景中，计算必须在极短的时间内完成，这意味着端到端的大模型，通常需要消耗大量的计算资源，尤其是在处理高维度的语音数据任务时。这也是为什么，OpenAI 在推出 GPT-4o 的语音 AI 功能后，对用户的使用量进行了额度限制。其额度消耗和 GPT-4o 回复的额度一样。反观现在以豆包为首的一些国产语音 AI，虽然以免费、不限次数为噱头，但其生成质量，却相较于纯文本状态大打折扣。这或许正是在算力资源紧张的情况下，模型采取的一种 " 权宜之计 "。因为当计算资源不足时，模型可能会优先选择简单的、低耗能的响应方式，以确保能够及时回应用户的请求。毕竟，又想要免费无限地使用，又想要高质量的实时回复，天底下哪有那么好的事？算力困境在 AI 时代，各类 To C 语音产品的主要逻辑是，将昂贵或难以获得的人类服务，且是基于对话且可以在线完成的，替换为 AI，主要场景包括心理疗愈、辅导、陪伴等。对于 To C 类 APP，要想大范围地落地，其中一个前置条件，必然是成本的大幅度降低。唯有如此，企业才能够以更低的价格提供服务，进而不断扩大用户基数。但问题是，在降低成本的同时，质量和成效能否保障一定的水准？这正是最考验讯飞、字节等大厂的一点。从商业上来说，在降低成本的同时，要想质量不拉胯，就需要有源源不断的资金，进行研发和技术迭代。这就要求企业找到一种明确的商业模式，来自我造血。OpenAI 之所以能在如此短的时间推出 GPT-4o 的语音功能，是因为背靠微软，能获得源源不断的融资，从而不断强化其模型的能力。相较之下，坐拥几乎是行业内最为丰富业务场景的科大讯飞，虽然赶上了 2023 年 AI 浪潮，并在同年 6 月市值一度逼近 2000 亿大关，可随着其大模型持续高额的投入、销售费用持续攀升。当下，讯飞对大模型收益能否覆盖成本尚无定论，成本压力始终存在。一个重要的问题是：既然在一些特定的行业，例如医疗、教育、客服等，传统语音 AI 已经能够胜任了，那么以端到端大模型为核心的语音 AI，又该怎样从中获取自己的市场份额？一个可能的方向，就是在各种长尾需求中，对一系列复杂查询和非标准化指令做出回应。例如在智能汽车或移动应用中，端到端模型可以通过自然语言，理解用户说的犄角旮旯的地点在哪，并提供精确的导航指令。然而，在这种模式下，用户更多地是为语音 AI 背后强大的语言模型付费，为其出众的智力付费。因此，端到端语音 AI 的盈利之路，一开始就因为这种 " 附属地位 " 而充满了坎坷，因为前者的能力一旦遇到瓶颈，其也会跟着 " 一损俱损 "。而在附属于语言大模型的尴尬之下，在算力资源的分配方面，语音 AI 也面临着一种不利的态势。例如，对于字节来说，迄今为止，字节跳动已经推出了 11 款 AI 应用；其中，豆包是国内用户最多的 AI 独立应用，其 MAU 可能已达到 2000 万量级。然而，从业务布局上来说，语音 AI 现阶段不太可能是字节的重点。在 9 月 24 日的深圳 AI 创新巡展上，火山引擎发布两款视频生成大模型 PixelDance（像素舞动）和 Seaweed（海草），很多业内人士分析，这条视频 AI 的类 "Sora" 赛道，才是以短视频闻名的字节真正不能输掉的一仗。而 AI 视频生成，恰恰又是最消耗算力的一条赛道。来源：豆包 AI 视频生成模型与语音 AI 相比，同样消耗高算力的视频生成 AI，因为对应着短视频这个更明确，且更易于盈利的赛道，因此在资源分配上，更有可能得到大厂或投资者的倾斜。结合之前豆包在实时通话状态下的智力表现，我们或许能够推断，留给豆包打造端到端语音大模型的算力，未必会那么充足。而这种资源不足，却又要在面上与 GPT-4o 一较高下的情况，这正是当下实时语音 AI 这支 " 偏军 " 在中国 AI 版图中的窘境所在。语音交互技术火热了十来年，到了大模型时代，OpenAI、科大讯飞、字节这些大厂，又开始重新在往这领域挤，为何？因为这种技术，实际上暗藏着语音平台可能成为未来物联网 " 大脑 " 的想象。通过一个语音平台，操控所有智能终端，这是所有传统语音 AI 都办不到的事。但是，这技术要想做得好，得先解决一个大问题，就是机器得能真正理解人说的话。这就需要 AI 在自然语言理解、知识获取这些领域有新的突破。然而，在语言大模型遇到瓶颈，且算力资源被视频 AI 等 " 光环 " 更耀眼的产品抢走的情况下，语音 AI 在中国人工智能的版图中，暂且只能是个尴尬的存在。本文来自微信公众号 " 科技新知 "，作者：廖政。