对标GPT-4o，科大讯飞正以大模型重塑语音产业

来源：A5专栏时间：2024-09-02

每个科技时代，都有每个时代的“入口”和“推手”。

在PC时代，浏览器和搜索引擎是主要入口，用户通过键盘和鼠标进行交互。移动互联时代，APP和应用商店成为典型入口，用户用手指和触摸屏进入互联网世界。而在眼下的AI时代，业内已经把语音交互当做重要入口，它提供了一种更为丰富、自然和便捷的交互体验。

纵观历史，每一个抓住入口、推动时代发展的企业，反过来也能掌握竞争主动权，获得长期发展动力。比如，PC时代的谷歌，移动互联时代的苹果等等。

因此，如今很多大厂都在围绕语音交互展开深度布局，力图抢占AI时代的战略要地。其中，就国外和国内而言，OpenAI和科大讯飞成为最受关注的两家企业。

今年5月，OpenAI 发布GPT-4o，展现出更为强劲的语音交互能力。比如，更快的响应速度、更自然的语音等等。但遗憾的是，GPT-4o目前还没有向国内用户开放，大部分人无法亲自感受各种体验。

很多人不知道的是，国内的科大讯飞不仅做到了对标GPT-4o的语音交互体验，而且还能让人抢先体验。

今年8月19日，科大讯飞发布了星火极速超拟人交互技术，在响应和打断速度、情绪感知情感共鸣、语音可控表达、人设扮演四个方面实现巨大突破。这项技术将于今年8月底在讯飞星火App上全民开放使用，普通用户也能亲自感知。

在最近的科大讯飞2024年上半年业绩说明会上，《一点财经》观察到科大讯飞董秘江涛亲自演示星火极速超拟人交互技术，由此更直观地看到了这项技术的操作体验。

不得不说，科大讯飞虽然在研发上大力投入，但在宣传上的力度着实不够。其实，这项技术能对行业变革产生深度影响。与此同时，科大讯也在积攒技术势能，未来预计会释放出强劲的发展动能。

语音交互的“理想”与“现实”

2014年，一部讲述人类与AI爱情的电影《Her》收获了超高人气，还获得了奥斯卡最佳原创剧本奖。

电影中，男主角西奥多的工作是给不善表达感情的人代写情书。他有语音操控的随身设备，能够直接用语音输入信件内容、进行打印等等。日常生活中，他还能通过语音收听歌曲、接收邮件和新闻。

让很多观众浮想联翩的是，西奥多遇到了一个AI机器人“萨曼莎”，她拥有温情的声线，不仅非常体贴还很懂西奥多。在跟“萨曼莎”的长期语音交流中，西奥多坠入爱河，开始了一段“人机恋”。

十年以来，这部电影里的科幻场景不断照进现实，各种语音交互产品和技术持续迭代，丰富着用户的语音交互体验。

不过，很多用户还是感觉跟想象中的体验有落差。因为市面上语音交互技术普遍存在痛点，包括响应迟钝、难以共情、个性化不足、端点检测困难等问题。

简而言之，现在许多语音交互技术机器的味道还是太重，拟人的感觉不足，没能提供足够的情绪价值。这一方面导致用户体验不佳，另一方面阻碍了行业发展，需要有企业来破除痛点，充当行业发展的推手。

目前来看，科大讯飞就是一个重要的推手。其推出的星火极速超拟人交互技术在四个方面极大提升了用户体验——“响应和打断速度、情绪感知情感共鸣、语音可控表达、人设扮演”，总结下来就是：

不仅在响应上有速度，而且在情感上有温度，能够提供更多的情绪价值。

1、响应上的速度

用户进行语音交互的过程中，都想获得更快的响应，达到“召之即来”的效果。并且在中途频繁打断的情况下，希望能够迅速重新响应。

然而，目前主流的语音交互应用中，从用户提出问题到应用响应大多需要2-2.5秒，会明显感觉到停顿，中途打断后响应的时间更长，这就会影响用户的交互节奏和智能体验。

而星火极速超拟人交互技术带给人的首个感受就是“快”，其让响应时间缩短到了0.9秒，几乎感觉不到停顿。另外，用户还可以随时打断、插话，它依然能做到迅速响应。

这意味着，通过星火极速超拟人交互技术，用户可以获得更加贴近日常对话的现实体验。

2、情感上的温度

在语音交互过程中，如果能够及时响应，但回应的却是冷冰冰的话语，用户的交互欲望和热情必然会降低，因为没有人愿意面对一个没有温度的机器。

传统指令型语音技术，只能通过对某些特定发音的识别给出响应，情绪感知能力不足，而星火极速超拟人交互技术进行了明显的提升。其不仅能够根据语音判断用户情绪，包括高兴、悲伤、生气、害怕等等，还能识别咳嗽、宠物叫声等非语言信号，跟用户之间产生更深层次的情感共鸣。

如果只能分别情绪，不能情绪化地回应，用户的感知度也不会很明显。星火极速超拟人交互技术在表达方式上更加灵活，可以根据用户的指令控制数十种情感、风格、方言，甚至自动调节语速、语气和情绪，让对话更有温度从而直入人心。

另外，星火极速超拟人交互还有一个优势就是能够“选角色”，其支持多种人设的任意切换，用户可以与孙悟空、蜡笔小新、小猪佩奇等角色进行互动，感受到跟不同角色对话的乐趣。

可以说，以往的语音交互技术体验起来更像机器，而星火极速超拟人交互更像人类，大大提升了用户体验。这种进化背后，在于科大讯飞进行了长期的技术研发和积累。

语音交互进化史：技术才是硬道理

语音交互进化史，就是一部技术迭代史。

最早的语音交互技术，可以追溯到上世纪60年代。当时的语音交互技术主要基于规则，也就是将语音按照语法等规则进行分析和生成，然后根据设定好的语句进行回应。

这种方法的智能度和灵活度都很低，只能进行某些特定任务，比如查询天气、订票等，稍微复杂一些的指令就无法操作。

上世纪90年代，语音交互技术进入新的阶段，也就是基于统计模型。这种方法不再依赖于固定规则，而是利用概率论建立交互模型，根据上下文生成最合适的回应。这种方法相对可以处理更多指令，也能适应不同的场景需求。

2006年，随着深度学习技术兴起，语音交互技术有了质的飞跃，可以自动学习语音信号的复杂特征，从而进入DNN（深度神经网络）时代。比如，RNN（循环神经网络）是一种能够处理序列数据的神经网络。它具有长期记忆能力，可以用于处理连续的语音特征，从而提高识别准确率。

此后，语音交互技术在持续进化，比如CNN（卷积神经网络）、DFCNN（深度全序列卷积神经网络）等等，用户体验也在持续升级。在技术进化浪潮中，科大讯飞一直站在潮头浪尖。

早在2012年，科大讯飞就将BN-feature和NDD-HMM两套深度学习方案上线了讯飞输入法和语音开放平台，由此成为国内首个上线深度学习语音识别商业系统的机构，将实际场景中语音识别的准确率从60%提升到了88%左右。

到现在，星火极速超拟人交互采用的是统一神经网络，直接实现语音到语音端到端建模，这是一种被验证为能力更强的技术方案。

因为传统的语音识别系统一般由多个模块组成，包括声学模型、语言模型和发音词典等。而端到端建模将这些模块合并为一个整体，实现了原始语音信号到最终文本的直接映射，这就给语音交互带来了许多提升。

首先，端到端建模简化了传统语音识别系统的复杂度、减少了模块之间的集成难度。其次，它可以更好地外理语音信号中的噪声和变异，提高了系统的鲁棒性，即抵御外界干扰和保持稳定的能力。此外，它还具有更快的训练和推理速度，适用于实时场景。

星火极速超拟人交互的技术优势背后，在于科大讯飞持续进行研发投入和积累。

根据科大讯飞最新发布的2024年上半年财报，报告期内其营收93.25亿元，比上年同期增长18.91%。值得注意的是，公司研发投入21.9亿元，同比增长32.23%，占营收比重达23.5%。

在企业发展因子中，营销、宣传等浅层次的是“快变量”。短期内，它们能够发挥一时的成效，但也会呈现不稳定和低门槛的特征。

深层次则是“慢变量”，比如技术、研发等等。它们前期需要大量的投入，就像推动一个静止的轮子，投入到一定程度后轮子会越转越快，从而迸发出“飞轮效应”，最终转化为出色的技术和产品以及坚固的护城河。此次，科大讯飞推出星火极速超拟人交互技术就是一个典型。有时候，“慢”反而意味着“快”。

其实，星火极速超拟人交互技术背后的大模型能力，同样具备庞大的想象空间。

眺望未来：大模型重塑语音产业

如今，“大模型+”就像当年的“互联网+”给与市场无限想象力。

在大模型的热风之下，许多产业都值得被重塑一遍，其中就包括汽车、机器人、消费电子、家电等领域。在大模型落地方面，科大讯飞通过星火大模型云边端一体化、软硬件一体化的全场景布局，这让其能够满足多个复杂场景对大模型的需求，进而摘取多元的产业红利。

先说汽车领域。今年上半年，中国汽车产销量分别达1389.1万辆和1404.7万辆，依然保持全球第一。出口总量达348万辆，同比增长25%，火热态势依旧。目前，中国汽车出海十强企业中，有8家企业和科大讯飞合作。未来，汽车的趋势必然是智能化。而大模型的赋能，可以提升智能座舱、智能驾驶等多个方面的用户体验，助力中国汽车产业的增长。

比如，自2011年科大讯飞率先完成汽车语音国产化，车载语音已经成为中国汽车市场的标配，但在海外仍受制于单一语种的制约。今年星火语音大模型发布72个语种/方言免切换对话，并通过云边端及软硬一体化解决方案可以大大提升智能座舱体验。另外，科大讯飞还研发出基于星火大模型的用车助手，能够实时监测理解车辆状况，精准解答用户对用车的问题。

科大讯飞方面透露，公司汽车智能化产品合作已覆盖90%以上的中国主流自主品牌和合资品牌车厂。最新财报显示，科大讯飞汽车业务也延续了强劲的增长势头，上半年实现营收3.5亿元，同比增长65.49%。

跟汽车一样，机器人同样是未来的重要趋势。

尤其是人形机器人的前景非常可观，据《人形机器人产业研究报告》预测，2024年中国人形机器人市场规模将达到约27.6亿元，到2029年达到750亿元，将占世界总量的32.7%，占比位居世界第一。

大模型的思维链推理能力，能够明显提升机器人对于复杂任务的理解能力，并提供符合常识的任务拆解与规划。尤其是具身感知模型与具身决策模型的结合，能够进一步提升人形机器人在真实场景下的多模态感知与理解能力。

在复杂任务拆解、开放场景物体识别、多模态感知与理解等方面，星火大模型明显提升了人形机器人的智能水平。在最近的在2024世界机器人大会，科大讯飞亮相了“大模型+具身智能”的人形机器人最新进展：

整体运动性能提升2倍，复杂任务拆解成功率超过95%，交互能力、运动性能进一步提升。

另外在产业赋能上，讯飞机器人超脑平台已赋能420家机器人企业，深度链接1.5万机器人开发者，与优必选、宇树科技、智元机器人、银河通用等人形机器人企业形成广泛合作，未来预计有着充足的想象空间和强劲的产业推动力。

除了机器人，大模型浪潮也正在向消费电子终端和家电领域蔓延。

包括智能手机、智能办公本、学习机等在内的消费电子终端的规模非常庞大，《2024年数字经济报告》显示到2029年全球物联网设备数量将增至390亿部。如果用大模型让每台终端都变得更智能，从而提升用户体验，也能创造更大的市场空间。中商产业研究院预测，2023年中国智能硬件市场规模将达到14031亿元，预计2024年增至达15033亿元。

以科大讯飞智能办公本X3为例，其搭载了最新的讯飞星火智能技术，实现语音转文字、智能笔记整理、多语种翻译等高效办公功能。用户只需简单操作，就能将会议内容、演讲要点等语音信息实时转化为文字记录。这不仅大大提高了用户工作效率，也助力了科大讯飞智能硬件业务的增长。根据最新发布的2024年半年报，科大讯飞智能硬件业务实现营收9亿元，同比增长56.61%，增速远超行业平均水平。

随着新一轮以旧换新热潮来袭，家电市场也迎来新的市场增量。而家电与大模型的结合，能够为用户创造更智慧的家居生活，也能为家电厂商、技术提供商带来新的增长点。

比如，搭载讯飞星火认知大模型的电视语音助手将升级为全能的家庭中心，能够轻松应对日程管理、智能家居控制等操作，也能让孩子跟电视语音助手直接对话，练习口语、获取知识等等，打造出新的教育场景。三星就结合讯飞星火认知大模型的能力，让电视语音助手具备深层次理解、内容生成和知识问答等能力，极大提升了用户体验。

如今，星火大模型正成为教育、医疗、能源、汽车、家电、机器人等多个重要领域落地的首选。其不仅为AI时代的入口探索出更多可能性，也在结合实际场景进行应用落地，为用户真正带来技术红利，为企业创造经济效益，其本身也能够获得发展动能。