周二，亚马逊推出名为 Nova Sonic 的新生成式 AI 模型，该模型可原生处理语音并生成自然流畅的对话。据称，Nova Sonic 在速度、语音识别及对话质量等基准测试中，表现可与 OpenAI 和 Google 的前沿语音模型相媲美。
Nova Sonic 是亚马逊针对新一代 AI 语音模型（如驱动 ChatGPT 语音模式的模型）推出的回应产品。相比早期 Alexa 较为僵硬的交互体验，新模型对话更自然；而传统数字助手（包括 Alexa 和苹果 Siri）在近期技术突破下显得愈发生硬。
Nova Sonic 可通过 Amazon Bedrock 上的全新双向流式 API 使用。亚马逊在新闻稿中表示，该模型是市场上“最具成本效益”的 AI 语音模型，价格较 OpenAI GPT-4o 低约 80%。
亚马逊 AGI 高级副总裁兼首席科学家 Rohit Prasad 透露，Nova Sonic 的部分组件已用于支持升级版数字语音助手 Alexa+。
Prasad 在接受 TechCrunch 采访时指出，Nova Sonic 基于亚马逊在“大型编排系统”方面的专业知识构建，该系统也是 Alexa 的技术基础。相比竞品，Nova Sonic 在将用户请求路由至不同 API 方面表现优异，能精准判断何时需获取实时信息、解析专有数据或在外部应用中执行操作，并自动匹配合适工具。
在双向对话中，Nova Sonic 会结合说话者停顿与插话情况，“在适当时候”等待发言，同时为用户语音生成文本转录稿供开发者调用。
Prasad 介绍，相比其他 AI 语音模型，Nova Sonic 更少出现语音识别错误，即使用户口齿不清、口误或处于嘈杂环境，也能较好理解意图。在多语言 LibriSpeech 基准测试中，其在英语、法语、意大利语、德语和西班牙语的平均词错误率（WER）仅为 4.2%，即每输出 100 个单词约有 4 个与人工转录存在差异。
在衡量多方大声互动的“增强型多方交互”基准测试中，Nova Sonic 的词错误率（WER）准确率比 OpenAI GPT-4o-transcribe 高出 46.7%。此外，其平均感知延迟仅 1.09 秒，快于 GPT-4o Realtime API 的 1.18 秒（数据来源：Artificial Analysis），具备行业领先速度。
Prasad 表示，Nova Sonic 是亚马逊构建 AGI（通用人工智能）战略的一部分，公司将 AGI 定义为“能在计算机上完成人类所有任务的 AI 系统”。未来，亚马逊计划发布更多支持图像、视频、语音及物理世界相关感官数据的多模态 AI 模型。
由 Prasad 负责的亚马逊 AGI 部门在产品战略中角色日益重要。上周，亚马逊推出浏览器 AI 模型 Nova Act 预览版，正为 Alexa+ 部分功能及“代我购买”提供支持。Prasad 称，从 Nova Sonic 起，公司将向开发者开放更多内部 AI 模型以供应用开发。