亚马逊推出AI语音模型Nova Sonic，性能对标OpenAI与Google
亚马逊推出了新的AI语音模型Nova Sonic。该模型能够在本地处理声音并生成自然的对话，采用统一的模型架构。据亚马逊称，在语音识别和语音质量基准测试中，Sonic的性能速度可与OpenAI和Google的领先语音模型相媲美。
Nova Sonic可通过亚马逊企业级AI开发者平台Bedrock，以新的双向流API形式使用。其定位为市场上最具成本效益的AI语音模型，价格比OpenAI的GPT-4o便宜约80%。
赋能Alexa+，支持复杂任务自动化执行
据亚马逊高级副总裁兼AGI首席科学家Rohit Prasad介绍，Nova Sonic的组件已支持升级后的数字语音助手Alexa+。该模型基于亚马逊在大型编排系统方面的专业知识构建，这也是Alexa的技术骨架。值得一提的是，Alexa+能够自动执行订餐、预订航班等操作，并在需要时与第三方应用交互以完成任务。
Prasad表示，与竞品相比，Nova Sonic在将用户请求路由至不同API方面表现更优。当需实时获取网络信息、解析特定数据源或在外部应用中执行操作时，Nova Sonic能智能识别并选择适当工具完成任务。
优化对话体验，多语言识别准确率领先
在双向对话中，Nova Sonic会考虑发言者的停顿和插话，以便“适时”回应。此外，该模型还能生成文本转录稿，供开发人员在各类应用中响应用户讲话。此前，OpenAI也曾更新ChatGPT高级语音模式以实现更流畅的对话体验。
在多语言LibriSpeech（衡量跨语言和方言语音识别准确性的标准）测试中，Nova Sonic在英语、法语、意大利语、德语和西班牙语上的平均词错误率（WER）仅为4.2%，即每100个单词中约有4个与人工转录存在差异。
在增强型多模态交互方面，Nova Sonic的词错误率比OpenAI的GPT-4o-transcribe模型低46.7%，准确率更高。其平均感知延迟时间为1.09秒，优于OpenAI Realtime API（GPT-4o驱动）的1.18秒响应时间，拥有行业领先的速度。