コンテンツガイド:

中国初のエンドツーエンドのユニバーサル音声モデルである Lingo の内部ベータテストの予約が開始されました。

技術的には、Lingoはリアルタイム割り込み、リアルタイムコマンド制御、超人的な擬人化、発話・歌唱能力といった機能を備えており、 GPT-4oと比較して優れた中国語音声性能を誇ります。Lingoは9月5日に開催される外灘サミットでこのモデルを正式に発表します。この技術革新は、複数の分野に大きな影響を与えると期待されており、人間とコンピュータのインタラクションの新たな時代を切り開くでしょう。

「Lingo」音声モデルの公式ウェブサイト（🔗 https://lingo.xinchenai.com）にアクセスして、クローズド ベータ テストの参加をすぐに予約してください。

エンドツーエンドの音声対話モデルとは何ですか?

従来の音声インタラクションでは、まず音声をテキストに変換し、次にテキストを理解し、応答テキストを生成し、最後にテキストを音声に戻します。各インタラクションにおいて、「音声からテキスト」と「テキストから音声」の変換によって、必然的に情報、特に音声に含まれる感情表現や暗黙の意味が失われます。

エンドツーエンドの音声対話モデルは、「高い感情知能」を持つ友人のようなものです。トーンの変動、感情の起伏、さらには言葉の迷いや間さえも捉えることができます。「傾聴」、「誘導」、さらには「共感」することで、感情的な価値を提供します。

エンドツーエンドLingoの3つの主な利点

中国初のエンドツーエンド汎用音声モデルであるLingoは、音声認識、自然言語処理、意図認識、対話管理、音声合成など、複数の最先端技術を統合しています。リアルタイム割り込み、リアルタイムコマンド制御、超人間擬人化、発話・歌唱などの機能を誇ります。研究開発チームは、複数のドメインと中国語においてモデルの機能を強化し、Lingoの中国語音声性能はGPT4oを上回っています。他の大規模音声モデルと比較して、Lingoは次の3つの技術的特徴を備えています。

• ネイティブ音声理解:音声内のテキスト情報を正確に認識するだけでなく、感情、トーン、ピッチ、周囲の音など、他の重要な特徴も正確に捉え、モデルが音声コンテンツをより包括的に理解できるようにすることで、より自然で鮮明なインタラクティブ体験を提供します。

• 複数の発話スタイル:インタラクションコンテキストとユーザーの指示に応じて、発話の速度、ピッチ、ノイズの強度などを適応的に調整し、対話、歌唱、クロストークなどのさまざまなスタイルの音声応答を生成することができるため、さまざまなアプリケーションシナリオにおけるモデルの柔軟性と適応性が効果的に向上します。

• 音声モダリティの超圧縮:数百倍の圧縮率を持つ音声コーデックを採用することで、音声を非常に短い長さに圧縮し、計算コストとストレージコストを大幅に削減しながら、モデルが高品質の音声コンテンツを生成できるようにします。

XinChen Lingo マルチシナリオおよびマルチドメインアプリケーション探索

エンドツーエンドの音声技術は、その強力なインタラクティブ機能とインテリジェントな処理手法により、様々な業界でその応用範囲を絶えず拡大しています。Lingoは業界のパイオニアとして、関連する応用シナリオを積極的に模索しています。

• エンボディド・インテリジェンス： Lingoは様々なアシスタントの役割を果たし、ユーザーのニーズや指示に基づいてパーソナライズされた音声サービスを提供します。エンボディド・インテリジェンス技術との緊密な統合により、ロボットの意図認識能力とコミュニケーション理解能力が大幅に向上し、ユーザーはスマートライフの利便性を享受しながら、テクノロジーの温かさと思いやりを体験することができます。

• 心理的ヒーリング： Lingoは、ユーザーの感情状態に基づいて「友人」や「家族」のようなコミュニケーションスタイルをシミュレートし、カスタマイズされた音声メッセージを通じて慰めと励ましを提供し、ストレスや不安を軽減します。さらに、心理学者のような専門家でありながら温かみのあるコミュニケーションをとることができ、傾聴、理解、そしてガイダンスを提供することで、ユーザーが感情的な落ち込みを乗り越えられるようサポートします。

• カスタマーサービス： Lingoの卓越したリアルタイム応答機能により、ユーザーインタラクション中に遅延が目立たないシームレスな音声サービスを実現します。従来の決定木構造に依存しないため、予期せぬ状況による応答遅延の問題を回避できます。ユーザーの質問内容に関わらず、Lingoの高度なアルゴリズムと強力な言語理解機能により、適切かつタイムリーな回答を提供します。また、Lingoは、フラストレーション、怒り、喜び、リラックスといった顧客のさまざまな感情を正確に識別し、トーンと音量を迅速に調整することで、より人間的で共感的な音声サービスを提供します。

• 子どもの教育：子どもの無限の想像力と不完全な意味表現は、人間とコンピュータのコミュニケーションの難しさを高めます。Lingoは、文脈、トーン、イントネーションを分析することで、子どもの発話内容を深く理解します。「感情知能教育」というコンセプトに基づき、肯定的な励ましと称賛を通して子どもとの感情的なつながりを築き、表現力を刺激します。さらに、ラップを通して物語を語り、知識を伝えることで、学習の楽しさと魅力を高め、真のエデュテインメントを実現します。

• 時間のアーカイブ：人間の脳の記憶容量には限りがあります。エンドツーエンドのAI音声モデルであるLingoは、長期記憶機能を備え、無制限の記憶ストレージサービスを提供します。会話から関連情報を抽出し、アーカイブとして記録することで、いつでも検索できます。アーカイブデータとAIクローン技術を活用することで、大切な人を蘇らせ、あなたと同期して「コミュニケーション」することができます。あなたとの共有記憶を継承することで、より深く共感し、会話することができます。

スマートホームからヘルスケア、カスタマーサービスから教育支援、さらには記憶のアーカイブに至るまで、エンドツーエンドの音声システムは、その利便性、効率性、そしてパーソナライズされたサービスによって、人間とコンピュータのコミュニケーションを新たな時代へと導いています。この技術が成熟し、革新を続けるにつれ、音声システムは未来のインテリジェントな世界において、より中心的かつ重要な役割を果たし、人々の生活と仕事にさらなる利便性と可能性をもたらすことが予測されます。

XinChen Lingo のエンドツーエンドの大規模音声モデルのリリースは、XinChen の音声技術分野での徹底的な開拓の成果であり、インテリジェントな音声アプリケーションの探求における重要なマイルストーンでもあります。

9月5日、XinChenは外灘サミットにてこのモデルを正式に発表します。現在、XinChen Lingoエンドツーエンドユニバーサル音声モデルはテスト予約を受け付けており、どなたでもご予約の上、ご体験いただけます。