علی دو ورودی صوتی را همزمان معرفی کرد: یکی برای محتوا و دیگری برای خدمات

وب‌سایت CoinWorld گزارش می‌دهد:

در عرض سه روز، علی دو محصول صوتی را به طور همزمان معرفی کرد. در تاریخ 7 اوت، CosyVoice Studio رونمایی شد و در تاریخ 10 اوت، پلتفرم باز سوالات (Qianwen) راه‌اندازی شد. به نظر می‌رسد هر دو ورودی صوتی هستند، اما هدف آن‌ها کاملاً متفاوت است: اولی مسئول تبدیل قابلیت‌های صوتی به محتوا و ابزار است، در حالی که دومی می‌خواهد خدمات شخص ثالث را به طور مستقیم به مکالمه وارد کند.

یکی تولید را مدیریت می‌کند و دیگری خدمات را به کاربران می‌رساند. توسعه‌دهندگان باید از کجا شروع کنند، پاسخ در این تقسیم‌بندی نهفته است.

CosyVoice Studio: ابتدا قابلیت صوتی را به نتیجه قابل تحویل تبدیل کنید

CosyVoice Studio شامل شناسایی صوتی، تولید صوتی و تعامل صوتی در زمان واقعی است و ساختار محصول شامل سه نوع سناریو «شنیدن، خلق و گفتگو» می‌باشد. این محصول فقط یک مجموعه از رابط‌های مدل را ارائه نمی‌دهد، بلکه فرآیندهای کاری رایج را به طور مستقیم در پلتفرم گنجانده است.

علی آن را "اولین پلتفرم تولید صوتی هوش مصنوعی در کشور" می‌نامد. با کنار گذاشتن این تبلیغ، تغییرات محصول هنوز هم واضح است: در گذشته، شناسایی، خلاصه‌سازی و تولید معمولاً در ابزارهای مختلف پراکنده بودند و توسعه‌دهندگان باید خودشان فرمت، زمینه و ترتیب فراخوانی را مدیریت می‌کردند؛ استودیو این مراحل را به یک فرآیند تکرارپذیر متصل کرده است، و کاربر دیگر فقط یک بازگشت مدل دریافت نمی‌کند، بلکه نتیجه‌ای نزدیک به محصول نهایی را دریافت می‌کند.

به عنوان مثال، در نمایش CosyCreative، کاربر متن یک قسمت از «Geek Morning Know» را در سیستم قرار می‌دهد و پس از انجام تنظیمات ساده، پلتفرم ابتدا خلاصه محتوا را تولید می‌کند و سپس آن را به پخش صوتی تبدیل می‌کند. کل این فرآیند حدود یک دقیقه طول می‌کشد. مراحل مختلفی که قبلاً نیاز به خلاصه‌سازی، صداگذاری و اتصال پس از تولید داشتند، به یک صفحه فشرده شده‌اند.

این پلتفرم در حال حاضر به سه جهت تقسیم می‌شود: CosyFlow برای کارایی فردی، CosyCreative برای تولید محتوا و خلق صدا، و CosyAgent که به هوش مصنوعی شرکت‌ها خدمات می‌دهد. این تقسیم‌بندی بسیار عملی است: کاربران فردی می‌توانند به طور مستقیم با محتوا کار کنند، در حالی که شرکت‌ها می‌توانند عامل صوتی را به پایگاه‌های دانش، سیستم‌های کسب و کار و جریان‌های کاری متصل کنند.

سه خط تولید نیز به سه نوع مختلف از پرداخت و سناریوهای استفاده مربوط می‌شود. کاربران فردی به صرفه‌جویی در زمان سازماندهی، ثبت و گوش دادن اهمیت می‌دهند؛ تیم‌های محتوا نگران این هستند که آیا تولید صدا می‌تواند به طور پایدار مورد استفاده مجدد قرار گیرد؛ و مشتریان شرکتی باید در نظر بگیرند که آیا مجوزها، پایگاه‌های دانش و سیستم‌های فرآیند می‌توانند به هم متصل شوند. کیفیت صوتی تنها نقطه شروع است و در نهایت پلتفرم باید بتواند کل زنجیره کاری را به طور مداوم اجرا کند.

CosyAgent بیشتر می‌تواند موقعیت این محصول را توضیح دهد. در اینجا، صوت تنها یک روش ورودی نیست. پس از درک نیاز، سیستم باید از قابلیت‌های موجود شرکت برای انجام عملیات بعدی استفاده کند. اینکه آیا می‌تواند به کسب و کار واقعی متصل شود، خط مرزی آن با ابزارهای صوتی معمولی است.

اتصال شرکت‌ها نیز بسیار پیچیده‌تر از یک نمایش محصول است. آیا محتوای پایگاه دانش به‌روز است، آیا سیستم کسب و کار می‌تواند به طور پایدار پاسخ دهد، و چگونه در صورت بروز مشکل در جریان کاری به کاربر انسانی منتقل می‌شود، همه بر قابلیت نهایی تأثیر می‌گذارد. استودیو ورودی‌های توسعه را در یک پلتفرم جمع‌آوری می‌کند که می‌تواند هزینه‌های اولیه مونتاژ را کاهش دهد، اما برای حرکت از "قابل نمایش" به "قابل استفاده در درازمدت"، هنوز به داده‌ها و مدیریت فرآیندهای خود شرکت نیاز دارد.

پلتفرم باز سوالات: اجازه دهید خدمات در مکالمه انجام شود

پلتفرم باز سوالات (Qianwen) مسیر دیگری را دنبال می‌کند. شخص ثالث می‌تواند هوش مصنوعی مستقل ایجاد کند و در داخل اپلیکیشن سوالات مشاوره، توصیه و خدمات اجرایی ارائه دهد. کاربران می‌توانند با @خدمات مربوطه، یا با کلیک بر روی «نقطه گوشه» در گوشه بالا سمت راست، به فضای مکالمه مربوطه وارد شوند.

در گذشته، کاربران پس از دریافت پیشنهاد در چت، معمولاً باید به یک اپلیکیشن دیگر برای انجام عملیات منتقل می‌شدند. سوالات امیدوار است که این زنجیره را در مکالمه حفظ کند. برای ارائه‌دهندگان خدمات، تمرکز بر روی اتصال نیز تغییر می‌کند: آن‌ها نه تنها باید به سوالات پاسخ دهند، بلکه باید مشاوره، توصیه و اجرای واقعی را به هم متصل کنند.

این موضوع نیازهای بیشتری را برای شخص ثالث ایجاد می‌کند. یک عامل هوش مصنوعی می‌تواند به سوال "چه گزینه‌هایی وجود دارد" پاسخ دهد، اما این به این معنا نیست که می‌تواند موجودی، سفارش، پرداخت یا خدمات پس از فروش را مدیریت کند. پلتفرم باز سوالات بر انتقال از مشاوره به اجرا تأکید می‌کند، که نشان می‌دهد پلتفرم نمی‌خواهد فقط به اطلاعات پاسخ دهد، بلکه یک زنجیره خدمات کامل را ارائه دهد. اینکه آیا ارائه‌دهندگان خدمات می‌توانند قابلیت‌های پشتیبانی را به درستی متصل کنند، به طور مستقیم تجربه کاربری را تعیین می‌کند.

دامنه باز فقط به تلفن‌های همراه محدود نمی‌شود. پلتفرم باز سوالات همزمان از تلفن‌های همراه، رایانه‌های شخصی و عینک‌های هوش مصنوعی پشتیبانی می‌کند و دو حالت اتصال Skill و سفارشی‌سازی صنعتی را برای عینک‌ها ارائه می‌دهد. توسعه‌دهندگان می‌توانند با استفاده از زبان طبیعی Skill را سفارشی کنند.

به عنوان مثال، مقامات می‌گویند که توسعه‌دهندگان می‌توانند از قابلیت «عکس‌برداری با عینک» استفاده کنند تا Skill «چه چیزی در اطراف است» را برای افراد نابینا ایجاد کنند و موانع مانند آستانه‌ها و پله‌ها را شناسایی و یادآوری کنند. در این مرحله، تعامل صوتی به محیط خاصی وارد شده و دیگر فقط یک کادر سوال و جواب در تلفن نیست.

عینک‌ها همچنین دو حالت اتصال Skill و سفارشی‌سازی صنعتی را ارائه می‌دهند. حالت اول موانع توسعه را کاهش می‌دهد و دومی فضایی برای سناریوهای صنعتی پیچیده‌تر فراهم می‌کند. پس از اینکه تلفن‌های همراه، رایانه‌های شخصی و عینک‌ها یک ورودی خدمات مشترک دارند، یک عامل هوش مصنوعی می‌تواند وظایف را بین دستگاه‌ها ادامه دهد؛ اما دقت شناسایی، سرعت پاسخ و پردازش حریم خصوصی نیز در مقایسه با سناریوهای چت معمولی بیشتر تحت آزمایش قرار خواهد گرفت.

علی در همان هفته این دو محصول را معرفی کرد و جهت‌گیری آن‌ها واقعاً واضح است. CosyVoice Studio به سوال "چگونه قابلیت صوتی را تولید کنیم" پاسخ می‌دهد، در حالی که پلتفرم باز سوالات به سوال "چگونه کاربران می‌توانند در مکالمه از آن استفاده کنند" پاسخ می‌دهد. اولی بیشتر به تولید مربوط می‌شود، در حالی که دومی به توزیع و اجرا مربوط می‌شود. آنچه توسعه‌دهندگان باید ارزیابی کنند، فقط این است که کدام حلقه در حال حاضر بیشتر کمبود دارد.

این دو مسیر ممکن است در آینده به هم بپیوندند: قابلیت صوتی تولید شده در کارگاه می‌تواند بخشی از عامل خدمات باشد؛ ورودی‌های چندرسانه‌ای ارائه شده توسط سوالات می‌تواند این قابلیت‌ها را به سناریوهای خاص‌تری منتقل کند. در حال حاضر، این دو محصول هنوز هر کدام بر روی نقاط قوت خود تمرکز دارند. برای تیم‌های محتوا، ابتدا کیفیت تولید و کارایی تولید را بررسی می‌کنند؛ برای ارائه‌دهندگان خدمات، ابتدا باید تأیید کنند که آیا زنجیره اجرایی واقعاً می‌تواند در مکالمه انجام شود.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.