豆包版《Her》升级上新！随时打断，交流自然，开箱即用

允中 发自 凹非寺
量子位 | 公众号 QbitAI

豆包大模型应用落地，又有新进展。

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。

值得关注的是，此次活动还发布了豆包大模型的一系列语音能力升级。豆包大模型团队的Seed-ASR、Seed-TTS研究成果（论文见文末），已成功应用于豆包语音识别模型和语音合成模型。在此基础上，火山引擎整合了RTC技术（实时音视频），全新发布对话式AI实时交互解决方案。

此方案让用户不仅能用语音与AI进行交谈，还能像平时说话一样、在对话过程中适时打断或插话，整体对话质量不受影响。经过升级后的AI声音相较以往而言更具表现力和感情色彩，对话也因此更自然、更真实、更流畅，让大模型交互体验更强。

现场，火山引擎还携手多点DMALL成立零售大模型生态联盟，基于豆包大模型打造零售AI解决方案。首批联盟成员包括物美集团、抖音电商、抖音生活服务、百胜、麦当劳、中国飞鹤、海底捞、居然之家、南7-11、重庆百货、百果园、波司登、天虹、三得利、绝味、名创优品、NielsenIQ、电通等。

自然流畅的AI实时语音应用，一站式搞定

搭载火山方舟大模型服务平台，通过火山引擎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，简化语音到文本和文本到语音的转换过程，火山引擎对话式AI实时交互解决方案，提供优秀的智能对话和自然语言处理能力，帮助应用快速实现用户和云端大模型的实时语音通话。

• 豆包·语音识别模型：更高的准确率及灵敏度，更低的语音识别延迟，支持多语种的正确识别。
• 豆包·语音合成模型：解锁「豆包」同款音色，提供自然生动的语音合成能力，善于表达多种情绪，演绎多种场景。
• 火山方舟：提供模型精调、推理、评测等全方位功能与服务，提供丰富的插件生态和AI原生应用开发服务，全方位保障企业级AI应用落地。

△对话式AI实时交互服务方案架构

开箱即用快速搭建，只需调用标准的OpenAPI接口即可配置所需的语音识别（ASR）、大语言模型（LLM）、语音合成（TTS）类型和参数。而火山引擎AIGC RTC-Server负责边缘用户接入、云端资源调度、文本与语音转换处理以及数据订阅传输等环节。整体简化开发流程，让企业应用更专注在对大模型核心能力的训练及调试，加速AI实时语音场景创新。

随时打断，交流自然

要让与AI的交流像和朋友一样自然，随时打断甚至直接插话，关键在于：当用户和AI同时说话时，如何解决互相干扰的音频“双讲”现象。

火山引擎RTC基于成熟的音频3A处理技术，针对“双讲”通过传统回声消除算法和深度学习算法的结合，不仅有效去除回声，还能避免用户语音被过度处理，确保云端语音识别（ASR）能准确捕捉和识别用户的语音信息。

此外，火山引擎RTC通过简化算法提高处理速度，避免因算法复杂性带来的额外延时。

实时秒回，全球畅聊

火山引擎RTC依托于WebRTC传输网络（WTN），优选全球海量优质节点，实现全球用户智能接入和音视频数据超低延时传输，在复杂的网络环境下具有强大的抗弱网能力，即使在高达80%的数据包丢失率下，也能确保音频传输的稳定和质量。

同时，火山引擎RTC结合云端语音识别流式处理，优化链路延迟，端到端响应延时可低至1秒。此外，火山引擎实时信令RTS可提供稳定可靠、低延时、高并发的信令收发能力，可对文字信令高效传输。

不受限于AI服务部署区域，用户无论身处何地，是语音交流还是文字对话，都可以享受极低延迟、流畅的AI交互体验。

产品融合，高效架构

在方案中，客户端提供音频帧级别的语音活动性检测（VAD），可以精准检测出音频信号中何时有人正在说话，何时是静默状态。帮助整体语音系统更有效地处理语音输入，更准确地识别和理解用户的指令或话语，减少误识别。同时，避免对无意义的背景声进行处理，从而节省计算资源，提高系统的整体效率。

当前人工智能领域创新和突破正以前所未有的速度发生，几乎每周都有新的进展。AIGC交互形态和规模也在快速发展中，如从文字到语音再到视频等多模态，从1对1到多人多Agent互动。火山引擎对话式AI实时交互服务在支持实时语音基础上，也在探索拓展多模态视频对话和多人群聊等场景，帮助开发者能够快速迭代和创新，不断推出新的应用场景和玩法。

灵活、多样化的接入方案

对于追求快速部署AI实时语音功能的企业来说，火山引擎提供的一站式解决方案，让企业能够专注于打造核心功能和创新，而不必深陷底层技术的细节。此外，火山引擎也提供多样化的接入方案，以满足不同企业在开发应用时的具体需求。以下是另外两种接入方案：

• 自集成方案：企业可以利用火山引擎RTC的音视频采集处理能力、云端媒体服务和音视频数据传输技术，结合ASR、LLM以及TTS等技术构建一个完整大模型语音处理流程，实现更自主、灵活的架构设计。
• WebRTC传输网络（WTN）方案：对于在客户端拥有自主研发音视频技术的企业，火山引擎提供了基于WebRTC标准协议构建的传输网络（WTN）。通过接入WTN，企业能够轻松获得全球范围内的超低延迟、稳定可靠的实时音视频传输服务，提升端到端多模态大模型的响应效率。

通过这些方案，企业可以根据自己的技术栈和业务场景，选择最合适的接入方式，实现高质量的AI实时语音场景。目前，火山引擎提供的AI实时语音能力已在国内TOP级的AI虚拟人物聊天产品中应用落地，为众多用户带来全新的互动体验。

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/

*本文系量子位获授权刊载，观点仅为作者所有。

— 完 —