新智元报道
编辑:乔杨 Frey
【新智元导读】虽然OpenAI的「Her」还是期货,但硅谷的科技巨头们已经开始相继发力语音模型。前有谷歌的Gemini Live和苹果的升级版Siri,如今巨头亚马逊和新秀Cerebras也加入了这场竞争。
继OpenAI在5月发布会上展示「期货」GPT-4o的语音功能后,「AI语音助手」类的产品又成为了硅谷科技巨头的必争之地。
紧跟着OpenAI开发布会的谷歌也马上宣布——Gemini将推出语音聊天模式Gemini Live。
8月,谷歌在Pixel 9活动上正式发布了Gemini Live,取代了原来谷歌助手的产品定位。
类似GPT-4o,Gemini Live不仅能实现随时打断的对话式交流,还有对设备屏幕的感知能力,可以实时解释用户的屏幕或视频信息。
Gemini Live目前已经针对安卓设备推出,但仍只有英语模式,未来还将登录iOS系统并提供更多语言。
6月,苹果就在WWDC大会上展示了如何用Apple Intelligence给2011年就诞生的Siri改头换面。
与谷歌和OpenAI着重强调的「交流」功能不同,Siri似乎更专注于语音「助手」的定位。
屏幕感知、跨应用操作、智能体般的多命令处理,一个都不少。
比如,动动嘴便可打开文档、将笔记移动到另一个文件夹、发送或删除电子邮件、在Apple News中打开特定文章、发送网页链接,甚至请求设备提供文章摘要。
但是,这版更强Siri的上线还没有明确期限,所依靠的Apple Intelligence也只能在iPhone 15 Pro或更新型号的手机才能运行。
根据彭博社的报道,苹果团队似乎需要大量时间来重构Siri的底层,高级版Siri最快也要等到2025年,才会出现在iOS 18上。
虽然还未正式上线,但可以看出,GenAI的这波革新让苹果13岁的Siri焕发新生。
而提到Siri,让人想起和它同代的另一个语音助手——亚马逊推出的Alexa。
亚马逊改造Alexa
实际上,Alexa的革新计划由来已久。早在今年1月,Business Insider就报道过这个项目,名为Remarkable Alexa,它正在内外的重重阻力下艰难推进。
发布的日期也是一拖再拖,从最初的6月30日,到之前决定的8月。
8月30日路透社报道,有知情人士表示,改进版的Alexa将在10月美国美国假日季前发布。
该项目在内部被称为「榕树」(Banyan),将是Alexa自2014年与Echo系列扬声器一起推出后迎来的首次重大改革。
Remarkable Alexa计划向用户收取5~10美元的订阅费用,以抵销GenAI模型的成本。
这部分订阅不会包含在每年139美元的Prime服务中,但亚马逊仍将提供免费版本的Classic语音助手。
Alexa难掩颓势
2014年,亚马逊首次推出Alexa的语音驱动功能,让当时的消费者惊叹不已,却落后于最近的GenAI浪潮。
根据Insider Intelligence的统计,在美国,Google Assistant今年的用户数量预计将达到8880万,其次是 Siri的8420万。Alexa的用户数量位居第三,约为7560万。
和Siri沦为语音计时器的境地类似,通过Echo音响访问的Alexa也多用于设置计时器、询问天气、播放音乐或回答简单问题等功能。
不仅如此,亚马逊想要通过Alexa提升电商业务销售额的希望也落空了。
正如Kindle屏之于电子书商城,健康监测服务之于Halo手环,便宜到经常低于成本价的Echo音响和免费提供的Alexa,实际上包含着亚马逊借硬件打造软件的产品思路——
不求在硬件销售上获利,但求从用户后续对软件的使用、数字内容的获取和平台的依赖等中获取更高毛利的收入。
这种营销方式最初是借鉴剃须刀巨头吉列——推出极具价格优势的剃须刀,但通过售卖补充刀片赚得盆满钵满。
最初对Alexa的设想非常美好——用户通过语音方式询问购买建议,之后委托Alexa直接下单,就能拉动亚马逊的电商销量。
但随后他们发现,这个思路不起作用。主要是因为用户喜欢「眼见为实」,仅凭Alexa的语音描述很难让人甘心掏钱网购。
根据内部文件和知情人士的透露,这种不成功的策略让亚马逊在Echos、Kindle等智能设备业务上亏损了数百亿美元,可以说是贝佐斯在位时为数不多的巨大误判。
硬件亏钱、软件不赚钱,力挺Alexa的贝佐斯又离开了管理团队,导致裁员的大刀最先落在了Alexa团队的头上。
Business Insider跟踪LinkedIn上的帖子后发现,在2022年底开始的大裁员中,Alexa的AI系统、自然语言理解和对话能力团队几乎是首当其冲、受到了最高等级的影响。
然而,即使AI技术落后、亏损巨大,Alexa还掌握着一个关键优势,可以助他们扳回一城——截至2023年,已经在全球卖出的支持Alexa的硬件设备超过5亿台。
合作Anthropic借用Claude
CNBC和Business Insider在之前的报道中曾援引知情人士的说法,表示亚马逊计划基于内部语言模型Titan或Olympus升级Alexa。
然而,或许是内部技术不给力,路透社的最新报道表示,10月发布的Remarkable Alexa将由Anthropic的Claude模型支持,而非自己的基座模型。
亚马逊和Anthropic的合作由来已久。去年9月,他们就为Anthropic提供了高达40亿美元的投资,获得少量股权的同时,以AWS云服务交换到了对Claude模型的使用。
一些知情人士表示,升级后的Remarkable Alexa可以执行更复杂的任务,例如撰写简短的电子邮件、发送邮件以及从Uber Eats订餐,而且让用户无需在对话中重复召唤「Alexa」。
此外,亚马逊还计划增强Alexa提供的自动化家居功能,可以无线连接到智能设备,让用户进行语音控制。
具体而言,Remarkable的关键功能更新如下:
- 对话能力增强,与用户进行更自然、更有吸引力的对话,并提供与上下文相关的响应
- 个性化推荐:根据用户喜好和历史记录,针对购物、新闻和其他内容进行定制化推荐
- 家居自动化:Remarkable Alexa将作为一个更复杂的家居自动化中心,记住用户偏好,自动执行闹钟设置、咖啡机启动或电视节目录制等任务
- 复杂任务执行:用户可以提出更复杂的指令,例如订购食物或起草电子邮件
总而言之,面对谷歌、苹果等公司来势汹汹的竞争,Alexa团队现在的任务是,打造一款能够在新的GenAI竞争中脱颖而出的语音交互设备。
REUTERS/Mike Blake
这其中的障碍,一是价格,二是AI安全问题。
一位知情人士估计,在Alexa中使用GenAI的查询成本为每次2美分。有内部估计甚至指出,订阅费用需要定为20美元,这也是ChatGPT的订阅价格。
也有亚马逊员工表示怀疑,除了已经为Prime会员支付139美元的用户,是否还有人愿意每年多掏60~120美元,获得比免费版Alexa更智能一点的Remarkable Alexa。
但美国银行分析师Justin Post的分析结果相当乐观。
根据他在6月的估计,大约有1亿活跃的Alexa用户,其中10%可能会选择Alexa的付费版本。按每月5美元的费用计算,这将额外带来6亿美元的年销售额。
AI安全方面,有开发人员表示,Alexa大多出现在客厅或厨房中,这提高了应用GenAI模型的风险。如果Alexa不理解命令或提供不可靠的信息,犯错误的代价就会更高。
Cerebras语音版成GPT-4o平替
想跟上语音模型更新步伐的,除了亚马逊这种巨头,还有Cerebras这个新秀。
前几天刚,也基于livekit.io平台构建了自己的语音模型。
据悉,Cerebras Inference使用了Cerebras CS-3系统和WSE-3 AI处理器,内存带宽和内核数分别是英伟达H100的7,000倍和52倍。
依托具备如此超高速AI推理能力的Cerebras Inference之上的Cerebras语音对话模型让人非常期待!
但原始的视频demo链接已失效。多亏评论区热心网友,提供了另外一个类似于Cerebras语音对话模式的示例。
该对话模拟示例同样基于LiveKit,但以ChatGPT为基础模型。
具体来说,它借助Websocket使用LLM模拟了电话对话,并进行了系列优化,最终实现了无缝和快速对话。
demo链接:https://livekit.io/kitt
不少网友在感叹其功能强大,开发便捷的同时,惋惜它比ChatGPT-4o上线晚,丢失了很大一部分热度。
LiveKit代理是通过语音,视频和数据频道与最终用户相互作用的多模式AI智能体Agent的端到端框架。该框架可以凭借Python构建智能体。
Agent框架被设计成可构建实时、可编程、运行在服务器上的框架。它可被用来创建可看到的、听到、理解的对话和多模态语音智能体。
该框架包括用于常见工作流程的插件,例如语音活动检测和语音到文本转换。
Agent与云或自托管LiveKit服务器无缝集成,在本地计算机上开发的Agent代码可以扩展以支持成千上万的并发会话,然后将其部署到服务器中。
仓库地址:https://github.com/livekit/agents
Cerebras语音版一经发布,就引发了油管上很多博主的关注和测评。
Antti Luode通过多次打断对话的方式,测试了Cerebras 实时语音模式的能力,证实其能快速有效理解对话并提供可靠信息。
YouTube链接:https://www.youtube.com/watch?v=iJfeX1Wd5oM
Cerebras语音版Q&A对话集锦
Q:你是如何被开发的?
A:我是自然语言处理和机器学习算法的组合产物。我可以实现交互,在用户打断我时,也允许无缝转换和自然的对话流程。
Q:你有什么想对YouTube观众说的吗?
A:我只是开启了对话型AI技术套件的新纪元。诸如我一样的语音助手未来,需要拥有更复杂、更人性化的功能。比如能理解细微上下文间的差距,甚至情绪的变化。
Q:我的最后一个问题,如何打开启动舱门?
A:短语「打开启动舱门」, 是电影《2001年太空漫游》中的一句著名台词,由Dave Bowman在尝试与飞船计算机交互时说出...
令人惊喜的是,这场跨时空的虚假对话,预示着人工智能时代,超智慧电脑HAL 9000的现实体正一步步向我们走来!
参考资料:
https://www.reuters.com/technology/artificial-intelligence/amazon-turns-anthropics-claude-alexa-ai-revamp-2024-08-30/
https://www.cnbc.com/2024/05/22/amazon-plans-to-give-alexa-an-ai-overhaul-monthly-subscription-price.html
https://www.businessinsider.com/amazon-paid-alexa-plus-service-issues-2024-1
https://cerebras.vercel.app/
热门跟贴