亚马逊推出 Nova Sonic 语音模型，低成本优势进军语音交互领域​

 

4 月 9 日，亚马逊正式推出新一代生成式 AI 语音模型 Nova Sonic，在人工智能语音领域取得重大突破。这款创新模型能够原生处理语音输入并生成自然流畅的语音输出，在速度、语音识别准确率和对话质量等核心性能指标上，已达到与 OpenAI、谷歌等科技巨头的尖端语音模型相媲美的水平。

显著的成本效益

亚马逊特别强调，Nova Sonic 在成本效益方面具有显著优势，其价格比 OpenAI 的 GPT-4o 便宜约 80%。与竞争对手的 AI 语音模型相比，这一价格优势将使更多企业和开发者能够以较低成本将先进的语音交互功能集成到自身产品与服务中，极大地降低了语音 AI 应用的开发门槛。

强大的技术特性

Nova Sonic 通过亚马逊 Bedrock 开发者平台提供服务，采用创新的双向流式 API 接口。该接口允许模型在接收用户语音输入的同时，就开始生成语音回应，极大地减少了交互延迟，让对话更加流畅自然。在双向对话中，Nova Sonic 会智能地等待 “合适的时机” 发言，充分考虑说话者的停顿和打断等情况，真正模拟人类对话的节奏与模式。

此外，Nova Sonic 在语音识别错误方面表现优异，比其他 AI 语音模型更少。这意味着该模型即使在用户咕哝、说错话或者处于嘈杂环境中时，也相对擅长理解用户的意图。在一项衡量跨语言和方言的语音识别基准测试 —— 多语言 LibriSpeech 中，亚马逊表示 Nova Sonic 在英语、法语、意大利语、德语和西班牙语上的平均单词错误率（WER）仅为 4.2%，即每 100 个单词中大约只有 4 个与人工转录的结果不同。在另一项衡量多人参与的高音量互动的基准测试 —— 增强多方互动中，亚马逊称 Nova Sonic 在单词错误率方面比 OpenAI 的 GPT-4o-transcribe 模型准确率高出 46.7% 。

广泛的应用前景

该模型通过 Amazon Bedrock 的新 API 提供，将简化语音应用程序的开发，如客服电话自动化和跨旅游、教育、医疗、娱乐等广泛行业的 AI 代理。在客服领域，其低成本和高识别率的特性，可帮助企业大规模部署智能客服语音系统，提升客户服务效率与质量，降低人力成本。而在智能家居领域，Nova Sonic 能够为设备带来更加自然流畅的语音交互体验。例如，用户在忙碌或双手被占用时，能更便捷地通过语音指令控制智能家居设备，实现如开关灯光、调节电器参数等操作。凭借出色的性能和价格优势，Nova Sonic 预计将重塑客服与智能家居领域的现有格局，推动语音交互技术在各行业的普及与深入应用 。