โมเดลภาษาขนาดใหญ่ด้านเสียงข้างหลัง DingTalk คว้าแชมป์ "ฟัง พูด คุย" ครบทั้งสามรายการ

สัปดาห์นี้ ครอบครัวโมเดลขนาดใหญ่ด้านเสียงของอาลีบาบาได้สร้างผลงานยอดเยี่ยมอย่างต่อเนื่องบนแพลตฟอร์มการประเมิน AI ชั้นนำระดับโลก Artificial Analysis:

Fun-Realtime-ASR คว้าอันดับหนึ่งของโลกด้วยอัตราความผิดพลาดของคำเพียง 1.8%

Fun-Realtime-AudioChat ได้รับรางวัลที่หนึ่งในสองหมวดหมู่ ได้แก่ การอนุมานจากเสียงและการสนทนาแบบไหลลื่น

Fun-Realtime-TTS-Preview ได้คะแนนเอโล (Elo) สูงถึง 1,190 คะแนน ครองตำแหน่งแรกของประเทศจีน

จนถึงขณะนี้ ในสามสาขาหลัก ได้แก่ ASR (การรู้จำเสียงพูด) TTS (การสังเคราะห์เสียงพูด) และ Chat (การสนทนาด้วยเสียง) โมเดลเสียงขนาดใหญ่ของอาลีบาบาได้คว้าอันดับหนึ่งภายในประเทศทั้งหมด ทำสถิติ "กวาดเรียบทุกรางวัล"

ปัญญาประดิษฐ์ด้านเสียงถูกผสานเข้ากับประสบการณ์ผลิตภัณฑ์ DingTalk และ WuKong อย่างล้ำลึก

ในฐานะหนึ่งในแพลตฟอร์มสำคัญที่นำโมเดลขนาดใหญ่ของอาลีบาบามาใช้งานจริง ความสามารถด้านโมเดลเสียงถูกเปลี่ยนเป็นประสบการณ์การใช้งานที่ผู้ใช้สามารถรับรู้ได้ผ่าน DingTalk และ WuKong ผู้ใช้สามารถสัมผัสประสบการณ์ด้านปัญญาประดิษฐ์ด้านเสียงอย่างครบวงจร ไม่ว่าจะเป็นการประชุมออนไลน์หรือการพบปะนอกสถานที่ การทำงานด้วยข้อความไปจนถึงการโต้ตอบด้วยเสียง ผ่านฟีเจอร์ต่างๆ เช่น การประชุม DingTalk การฟังและจดบันทึกด้วย AI ข้อความเสียงใน IM และฮาร์ดแวร์ต่างๆ เช่น DingTalk A1 และหูฟังอัจฉริยะ Cleer โดยสามารถเข้าใจสำเนียงท้องถิ่นและศัพท์เทคนิคเฉพาะทางทั่วประเทศได้อย่างไร้ปัญหา

โมเดลที่ติดอันดับในการจัดอันดับครั้งนี้จะถูกผนวกเข้ากับผลิตภัณฑ์ข้างต้นอย่างต่อเนื่อง เพื่อปรับปรุงประสบการณ์ผู้ใช้และเพิ่มประสิทธิภาพการทำงานอย่างต่อเนื่อง

สามความสามารถหลักของการโต้ตอบด้วยเสียง: ฟังแม่น พูดดี สนทนาลื่นไหล

ความสามารถของโมเดลเสียงขนาดใหญ่สามารถแบ่งออกเป็นสามระดับ ได้แก่ ฟังแม่น (ASR: เสียงเป็นข้อความ) พูดดี (TTS: ข้อความเป็นเสียง) และสนทนาลื่นไหล (Chat: การเข้าใจและสนทนาด้วยเสียงแบบครบวงจร) ทั้งสามด้านนี้ทำงานร่วมกันเพื่อสร้างประสบการณ์การโต้ตอบด้วยเสียงที่สมบูรณ์

เมื่อปีที่แล้ว โมเดลขนาดใหญ่ Fun-ASR ที่พัฒนาร่วมกันโดย DingTalk และห้องปฏิบัติการ Tongyi ได้ถูกนำไปใช้ในผลิตภัณฑ์ DingTalk อย่างแพร่หลาย

ฟังแม่น: จับรายละเอียดการประชุมซับซ้อนและนิพจน์เฉพาะทางได้อย่างแม่นยำ

ในระหว่างการประชุม DingTalk เมื่อเผชิญกับสถานการณ์ซับซ้อน เช่น การอภิปรายหลายคน พูดแทรกอย่างรวดเร็ว หรือคำศัพท์เฉพาะทาง โมเดล Fun-ASR สามารถระบุเนื้อหาได้อย่างแม่นยำ หลังการประชุมจบลง จะสร้างบันทึกการประชุมที่เกือบ "ไร้ข้อผิดพลาด" โดยไม่จำเป็นต้องจดบันทึกด้วยตนเอง

ในฮาร์ดแวร์ AI ซีรีส์ DingTalk A1 และฟีเจอร์การฟังและจดบันทึกด้วย AI ไม่ว่าจะเป็นการสัมภาษณ์ จดบันทึกในชั้นเรียน หรือการระดมสมอง ก็สามารถกดบันทึกเพียงครั้งเดียวเพื่อสร้างข้อความโครงสร้างคุณภาพสูง นอกจากนี้ ด้วยความสามารถในการอนุมานจากเสียง AI ไม่เพียงแต่สามารถ "ฟังชัดเจน" แต่ยังสามารถ "เข้าใจ" ได้ สามารถสรุปสาระสำคัญ ทำเครื่องหมายประเด็นสำคัญ และจัดทำรายการสิ่งที่ต้องทำให้อัตโนมัติ

แปลงข้อความเสียงใน IM เป็นข้อความด้วยคลิกเดียว รองรับสำเนียงและภาษาถิ่นทุกชนิด

ในข้อความ IM ข้อความเสียงยาว 60 วินาทีสามารถแปลงเป็นข้อความได้ด้วยคลิกเดียว มีความแม่นยำสูง และรองรับภาษาถิ่น สำเนียง และศัพท์เฉพาะทางอย่างครอบคลุม

ความหลากหลายทางภาษาของจีนถือเป็นความท้าทายสำคัญต่อการรู้จำเสียงพูด โดยอาศัยโมเดลเสียงขนาดใหญ่ของอาลีบาบา DingTalk และ WuKong ได้ครอบคลุมแปดกลุ่มภาษาท้องถิ่นหลัก ได้แก่ ภาษากวางตุ้ง หวู่ หมิน เกาลั๊ก คาน เซียง และจิ้น รวมถึงมีความสามารถในการรู้จำภาษาถิ่นของเมืองต่างๆ กว่าสิบแห่งในระดับแนวหน้าของประเทศ โดยมีอัตราความแม่นยำในการรู้จำภาษาถิ่นหลักเกิน 90%

ไม่ว่าคุณจะเป็นผู้เชี่ยวชาญด้านการเงินที่พูดภาษาเซี่ยงไฮ้ พ่อค้าแม่ค้าการค้าต่างประเทศที่พูดภาษากวางตุ้ง หรือพนักงานภาคสนามที่สื่อสารด้วยภาษาเสฉวน เหอหนาน หรือส่านซี DingTalk ก็สามารถ "เข้าใจคุณ"

ข้อมูลจากตารางจัดอันดับ Artificial Analysis แสดงว่า อัตราความผิดพลาดของคำของโมเดล ASR รุ่นล่าสุดอยู่ที่เพียง 1.8% ซึ่งจะยกระดับความแม่นยำของการถอดเสียงแบบเรียลไทม์และการจดบันทึกการประชุมให้ดียิ่งขึ้น

พูดดี สนทนาลื่นไหล: การสนทนาธรรมชาติและการตอบสนองอัจฉริยะ

การโต้ตอบด้วยเสียงไม่เพียงแค่ต้อง "ฟังแม่น" เท่านั้น แต่ยังต้อง "พูดดี" และ "สนทนาลื่นไหล" ด้วย บนอุปกรณ์ต่างๆ เช่น หูฟังอัจฉริยะ Cleer ความสามารถอันทรงพลังด้านการรู้จำเสียงและการสังเคราะห์เสียงทำให้การรับฟังข้อความ การพูดตอบกลับ และการสั่งงานด้วยเสียงในระหว่างเดินทางสะดวกและเป็นธรรมชาติมากยิ่งขึ้น

Fun-Realtime-TTS-Preview คว้าตำแหน่งสูงสุดของประเทศจีนด้านการสังเคราะห์เสียงด้วยคะแนนเอโล 1,190 คะแนน ทำให้เสียงของ AI ฟังดูเป็นธรรมชาติและอบอุ่นมากยิ่งขึ้น ส่งผลให้ประสบการณ์การส่งออกเสียงของผลิตภัณฑ์ DingTalk และ WuKong ดีขึ้นในทุกด้าน

Fun-Realtime-AudioChat ได้รับแชมป์โลกสองรายการพร้อมกันด้วยคะแนนการอนุมานจากเสียง 97.6% และคะแนนความลื่นไหลในการสนทนา 97.8% โมเดลนี้ไม่เพียงแต่สามารถเข้าใจตรรกะของความหมาย แต่ยังสามารถจัดการกับสถานการณ์การสนทนาจริง เช่น การพูดแทรก การซักถามต่อ และการเปลี่ยนหัวข้อสนทนา ทำให้ความลื่นไหลของการโต้ตอบใกล้เคียงกับระดับมนุษย์

ปรับแต่งโมเดลด้านภาษาเฉพาะอุตสาหกรรมอย่างล้ำลึก เพื่อ "เข้าใจศัพท์เฉพาะทาง"

โมเดลทั่วไปอาจยังคงมีความเสี่ยงที่จะไม่สามารถเข้าใจคำศัพท์เฉพาะทาง เช่น "LPR", "ข้อกำหนดการพนันย้อนกลับ", "Gleevec", "การพิจารณาคดีพลเรือนใหม่" ได้ในบริบทเฉพาะทาง

DingTalk และทีมงานด้านเสียงของอาลีบาบาได้ร่วมกันฝึกฝนจนสามารถครอบคลุมคำศัพท์ในอุตสาหกรรมหลักและอุตสาหกรรมเฉพาะทางต่างๆ เช่น อินเทอร์เน็ต AI การเงิน การแพทย์ กฎหมาย ยานยนต์ การผลิต การศึกษา และภาครัฐอย่างครอบคลุม และได้มีการปรับแต่งโมเดลด้านภาษาเฉพาะอุตสาหกรรมอย่างล้ำลึก

ในด้านการเงิน โมเดลสามารถระบุคำศัพท์เฉพาะทาง เช่น "repo ย้อนกลับ", "MLF", "กฎระเบียบใหม่ด้านการบริหารสินทรัพย์" ได้อย่างแม่นยำ ซึ่งช่วยยกระดับคุณภาพของการจดบันทึกการประชุมและการบันทึกตามข้อกำหนด

ในด้านการแพทย์ คำศัพท์ซับซ้อน เช่น "methotrexate", "การรักษามุ่งเป้า EGFR", "MDT การปรึกษาข้ามสาขา" ไม่ใช่พื้นที่ความรู้ที่ว่างเปล่าอีกต่อไป

ในด้านกฎหมาย จาก "การได้ประโยชน์โดยไม่ชอบ" ไปจนถึง "การได้มาโดยสุจริต" เนื้อหาการบันทึกการพิจารณาคดีและการสัมภาษณ์ทนายความสามารถถูกถ่ายทอดได้อย่างแม่นยำ

ในอุตสาหกรรมการผลิต คำศัพท์ด้านกระบวนการ เช่น "tolerance and fit", "CNC machining", "PPAP" มีอัตราความแม่นยำในการรู้จำเพิ่มขึ้นอย่างมาก ทำให้ประสิทธิภาพการประชุมการผลิตเพิ่มขึ้นเป็นสองเท่า

การปรับแต่งเฉพาะอุตสาหกรรมไม่ใช่แค่การเพิ่มคำศัพท์ลงในพจนานุกรมเท่านั้น แต่เป็นการเพิ่มประสิทธิภาพอย่างล้ำลึกในระดับโมเดลด้านภาษา เพื่อให้ระบบอัลกอริทึมเข้าใจบริบทเฉพาะอุตสาหกรรมอย่างแท้จริง แยกแยะคำที่ออกเสียงเหมือนกันแต่มีความหมายต่างกัน รู้จำคำย่อและศัพท์แสลงเฉพาะอุตสาหกรรม ทำให้แน่ใจว่าทุกการโต้ตอบด้วยเสียงสามารถ "พูดภาษาเฉพาะทาง และเข้าใจบริบท"

เสียงคือวิธีการสื่อสารที่เป็นธรรมชาติที่สุด จาก "ฟังแม่น" ไปสู่ "ฟังเข้าใจ" จาก "พูดได้" ไปสู่ "สนทนาได้" ความสำเร็จ "กวาดเรียบทุกรางวัล" ของโมเดลเสียงขนาดใหญ่ของอาลีบาบาไม่ใช่เพียงความเป็นผู้นำทางเทคโนโลยีเท่านั้น แต่ยังเป็นการยกระดับประสบการณ์ผลิตภัณฑ์โดยรวมอีกด้วย DingTalk และ WuKong จะยังคงเปลี่ยนความสามารถด้าน AI ด้านเสียงที่เป็นผู้นำระดับโลกให้กลายเป็นประสบการณ์การทำงานที่เข้าถึงได้ — เพื่อให้การประชุมมีประสิทธิภาพมากขึ้น การจดบันทึกง่ายขึ้น และการสื่อสารข้ามขีดจำกัดของภาษาและภาษาถิ่น

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at This email address is being protected from spambots. You need JavaScript enabled to view it.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!