SetupAI
EN
來源較早收集於 27m

Thinking Machines 發表全新 Interaction Voice Models

閱讀原文： TestingCatalog
#multimodal#real-time#voice-ai

全新語音模型解鎖即時音頻/視頻/文字 AI 交換，用於應用程式（42字元）

30 秒速覽

有什麼變化

發表全新 Interaction Voice Models

為什麼重要

此發布推進多模態 AI 互動，可能為開發者帶來更無縫的語音驅動應用。

下一步行動

造訪 TestingCatalog 預覽 Interaction Voice Models 示範。

誰應關注：Developers & AI Engineers

關鍵要點

  • •發表全新 Interaction Voice Models
  • •預覽用於即時原生交換的 AI
  • •支援音頻、視頻和文字模式

深度解析

本篇為 AI 生成分析，非原文內容。

增強重點摘要

  • •Thinking Machines 的 Interaction Voice Models 採用了端到端（End-to-End）的多模態架構，旨在顯著降低處理音頻與視頻輸入時的延遲，實現接近人類反應速度的即時對話。
  • •該模型整合了先進的語境感知技術，使其不僅能識別語音內容，還能透過視頻輸入分析使用者的表情與肢體語言，從而調整 AI 的回應語氣與內容。
  • •此項技術預計將優先應用於企業級客戶服務與自動化助理領域，透過提供更自然的互動體驗來提升用戶滿意度與任務完成效率。

競品分析

核心優勢
Thinking Machines (Interaction Voice Models)
即時原生多模態互動
OpenAI (GPT-4o)
生態系整合與廣泛應用
Google (Gemini 1.5 Pro)
長文本與多模態處理能力
定價模式
Thinking Machines (Interaction Voice Models)
企業級 API 計費
OpenAI (GPT-4o)
API 按量計費 / 訂閱制
Google (Gemini 1.5 Pro)
API 按量計費 / 訂閱制
延遲表現
Thinking Machines (Interaction Voice Models)
極低 (針對即時對話優化)
OpenAI (GPT-4o)
低
Google (Gemini 1.5 Pro)
中低

技術深入

  • 架構設計：採用統一的多模態 Transformer 架構，直接處理音頻波形與視頻幀，而非透過傳統的語音轉文字（ASR）中介層，從而減少資訊損耗與延遲。
  • 多模態融合：利用跨模態注意力機制（Cross-modal Attention），將視覺與聽覺特徵向量在模型早期階段進行融合。
  • 推理優化：針對邊緣運算與雲端伺服器進行了模型量化與剪枝，以支援高併發下的即時推論需求。

前景展望基於引用來源的 AI 分析

語音 AI 將取代傳統的圖形使用者介面（GUI）作為主要互動方式。
隨著即時多模態模型的延遲降低至人類反應水準，語音與視覺互動將提供比點擊介面更直觀的體驗。
企業客戶服務成本將在兩年內下降 40%。
原生多模態 AI 能夠處理更複雜的客戶查詢，減少對人工客服的依賴，並提高自動化解決率。

時間線

2025-03
Thinking Machines 成立並獲得種子輪融資，專注於多模態 AI 研究。
2025-11
發布首款基礎語音識別模型，初步展示其在低延遲處理上的潛力。
2026-05
正式發表全新 Interaction Voice Models，實現音頻、視頻與文字的即時原生交換。
閱讀原文： TestingCatalog

AI 週報

閱讀本週精選 AI 大事摘要 →

PostLinkedIn

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： TestingCatalog ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週電子報

每週一封，可隨時退訂。