亚马逊推出全新基础模型Nova Sonic，在单一架构中集成语音理解与生成功能，旨在简化语音对话系统开发并提升AI交互自然度。该模型通过Amazon Bedrock双向流式API开放，适用于客服、旅游、教育及医疗等场景。
统一架构实现无缝语音交互
传统语音方案需组合多个独立模型处理识别、理解及输出，流程复杂且效果生硬。Nova Sonic采用统一架构，能精准捕捉用户语调、语速及风格细节并融入回复，显著提升对话流畅度与人性化体验。
基准测试性能领先竞品
在与OpenAI GPT-4o（Realtime）及Google Gemini Flash 2.0的实时语音模型对比中，Nova Sonic表现优异。美式英语男性声音测试显示，其对GPT-4o胜率为51%，对Gemini胜率高达69.7%，英式英语表现同样出色。此外，其在Multilingual LibriSpeech数据集上的词错误率（WER）仅为4.2%，较GPT-4o Transcribe降低约36%。
高鲁棒性与成本优势显著
Nova Sonic具备强抗噪及多语言处理能力，真实会议场景下英语音频处理效果比GPT-4o Transcribe高出47%。其响应延迟低至1.09秒，快于同类竞品。价格方面，该模型较市场同类产品低80%，性价比突出。
支持工具调用拓展应用场景
除语音处理外，Nova Sonic可调用外部工具执行预订、询价及预约等任务，特别适配客服及旅游健康领域的对话智能体。目前提供三种美式和英式英语声音选项，更多语言及口音版本正在规划中。