据相关数据显示，早在 2020 年，国内选择语音输入的用户数量已经达到 2.5 亿，使用率接近 40%，更为便捷的语音交流，已经越来越成为主流。

前几年就涌现出许多深受用户喜爱的聊天室、语音房产品，而最近这一波 AIGC 浪潮之下，更是如雨后春笋，诞生了 AI 虚拟陪伴、AI 口语陪练、AI NPC、AI 游戏陪玩等等各种应用。

遍地开花的产品，也激发了对更优质的 AI 语音交互的强烈需求。

正如我们几日前推文中所说的那样，现在许多产品的切入点都很好，但是其中的角色的配音过于机械，一听便是那 AI，同时响应速度较慢，用户说了一句话之后，甚至过个 3-5s 才会有回复。

这种「对讲机式」的对话，极大的降低了用户体验，限制了 AI 语音在各行各业中更好的落地。

而上半年 GPT-4o 的发布，宛如春雷惊蛰，震撼了无数人。

一时之间，多模态语音交互成为兵家必争之地。众多大型模型厂商和应用层创业者，即将或已经发布了具备「端到端实时多模态能力」的新产品。

然而，在人与云端大型模型智能体之间的对话中，不仅需要依赖 AIGC 大模型强大的推理能力，还依赖一些必要的音视频技术支持。

早期的音频采集、处理和传输技术，主要依赖于 Websocket 这种通信方式。但这在实际使用中，有时会遇到一些问题，比如在网络环境复杂的情况下，可能会导致对话出现卡顿，或者在传输过程中丢失一些关键信息，这可能会造成对话内容的误解。另外，探索基于多模态大模型的智能场景感知和识别类应用场景，Websocket 也无法承接视频传输的扩展能力。

而豆包大模型，如今已经向 ChatGPT 对齐，传输已经采用了 RTC 技术。结合 RTC 实时音视频服务，可为应用提供更加自然和高效的交互体验。

8 月 21 日，火山引擎在 AI 创新巡展活动上，发布了豆包大模型的一系列产品升级。

据活动现场披露，最新版豆包大语言模型的综合能力相比三个月前首次发布时提升了 20.3%：

在六项关键能力评测中，角色扮演能力提升 38.3%，具备了更强的上下文感知，让对话情境更连贯、角色更拟人化；语言理解提升 33.3%，包括信息分类和抽取、总结摘要、阅读理解和问答等能力增强。此外，模型在长文任务、数学、专业知识、代码能力上也有不同程度提升。

豆包大模型团队还推出了一系列针对语音功能的升级，该团队的 Seed-ASR 和 Seed-TTS 研究成果已经成功地集成到了豆包的语音识别和语音合成模型中（详细论文和 Demo 见文末）。

针对 AI 语音行业的痛点问题，火山引擎推出了对话式 AI 实时交互解决方案，让豆包大模型也可以支持对话式实时交互。

经过升级的 AI 声音现在更加富有表现力和情感，使得对话更加自然、真实和流畅，从而大大提升了与大模型的交互体验。

整合豆包大模型和实时音视频技术，企业可以轻松地在自己 AI 应用中嵌入实时语音交互功能，让用户可以用最自然的沟通方式与大模型直接对话。

我们将能力接入到之前在做的一个 AI 虚拟陪伴项目，综合体验下来的感受是，火山的对话式 AI 实时交互方案一共有三大亮点。

亮点一：AI 语音更自然

全双工对话，通话双方可以同时交谈和聆听，用户可以在对话中适时地插话和打断，与智能体像朋友一样轻松自然的交谈。

亮点二：AI 语音更真实

豆包大模型结合了全新的语音生成模型，告别声音的机械感，拥抱具有表现力和情感色彩的音色。

此外，若官方提供的语音包不能满足使用场景，还可以个性化定制，支持声音克隆的能力，丰富了更多场景下的用户使用体验。

亮点三：AI 语音更流畅

端到端响应时间已经优化可低至 1 秒，确保了通信的实时性。

即便在 80% 的高丢包率环境下，据官方所述，通过 RTC 实时、精准的网络预测和自适应拥塞控制策略，依然能够保证音频传输的流畅性和清晰度，为用户提供不间断的高质量通信体验。

那又是如何做到如此真实自然流畅的呢？

火山引擎推出的对话式 AI 实时交互解决方案，搭载了火山方舟大模型服务平台，通过 RTC 实现语音数据的高效采集、处理和传输。

并深度整合豆包·语音识别模型和豆包·语音合成模型，简化了 ASR 和 TTS 的转换过程，以此提供卓越的智能对话和自然语言处理技术，助力应用迅速实现用户与云端大模型之间的实时语音交流。

在技术实现上，利用了音频帧级别的人声检测技术，并结合智能 3A 中的回声抑制技术，有效解决了用户与智能体同时讲话时的双讲问题，避免了对话中的干扰，确保了语音识别的高准确性，能够精确捕捉并识别用户的语音信息。

在提升真实感方面，全新升级的语音合成技术在情感表达、语音自然度、演绎效果以及流式输出方面都取得了显著进步，更好地满足了对话场景中的交流需求。

此外，如果提供的音色不能满足特定场景的需求，还可以通过声音复刻技术提供更加个性化的声音定制服务。

通过这一方案，能够帮助企业在各种场景下迅速实现大模型语音交互技术的应用，让企业无需在音视频处理和资源部署运维上投入过多精力。而是可以将更多资源和注意力集中在创新应用的开发上，推动业务的持续创新和发展～

如果你还在被 GPT4o 的语音对话功能钓成翘嘴，

如果你还在苦苦续费 Plus 只为最早体验到全新功能，

如果你还在被用户吐槽，产品的语音对话效果太差而辗转反侧，

那么可以尝试一下火山的对话式 AI 实时交互方案，点击文末「阅读原文」即刻了解详情～

Seed-TTS 及 Seed-ASR 技术详情：

Seed-TTS: A Family of High-Quality Versatile Speech Generation Models

论文链接：

https://arxiv.org/pdf/2406.02430

Demo展示：

https://bytedancespeech.github.io/seedtts_tech_report/

Seed-ASR: Understanding Diverse Speech and Contexts with LLM-based Speech Recognition

论文链接：

https://team.doubao.com/zh/publication/seed-asr-understanding-diverse-speech-and-contexts-with-llm-based-speech-recognition?view_from=research

Demo展示：

https://bytedancespeech.github.io/seedasr_tech_report/

文章来源“特工宇宙”，作者“特工少女”