近日，火山引擎提供的豆包大語音模型成為首家“引領(lǐng)級”通過中國信通院語音大模型能力評估的產(chǎn)品，經(jīng)相關(guān)標(biāo)準(zhǔn)和評估測試顯示，豆包大語音模型在語音合成、復(fù)刻、識別分析等方面能力突出，處于行業(yè)領(lǐng)先地位。

近年來，隨著人工智能技術(shù)的快速發(fā)展，語音大模型作為語音理解和生成的關(guān)鍵技術(shù)，正不斷賦能各行業(yè)的智能化轉(zhuǎn)型。在此背景下，中國信通院制定了《語音大模型技術(shù)能力要求》標(biāo)準(zhǔn)旨在為行業(yè)提供技術(shù)參考和規(guī)范，提升語音大模型技術(shù)能力的可操作性和標(biāo)準(zhǔn)化水平。據(jù)介紹，標(biāo)準(zhǔn)共包含兩大評估板塊的4個(gè)方面

能聽：

?精準(zhǔn)的語音識別能力（ASR）：具備高準(zhǔn)確率，能夠精準(zhǔn)識別不同場景語音輸入，包括噪聲環(huán)境中的語音、方言和口音。

?多語種與跨語言處理：支持多語種語音識別，適配全球化應(yīng)用場景。

?感知語境變化：能區(qū)分語氣、情感變化，捕捉說話者意圖和語義。

會(huì)說：

?自然語音合成（TTS），實(shí)現(xiàn)接近真人語音的合成，支持情感化表達(dá)和多種語言發(fā)聲。

?多樣化語音風(fēng)格：支持多種音色、語速和語調(diào)的自定義輸出，滿足個(gè)性化需求。

?實(shí)時(shí)生成能力：毫秒級響應(yīng)時(shí)間，支持實(shí)時(shí)語音交互。

夠懂：

?深度語義理解：能準(zhǔn)確理解語音輸入中的復(fù)雜語義、上下文關(guān)聯(lián)和用戶意圖。

?多任務(wù)協(xié)同處理：能同時(shí)完成語音識別、情感分析、語言翻譯等多任務(wù)。

?個(gè)性化適配：根據(jù)用戶歷史數(shù)據(jù)調(diào)整語音交互方式，實(shí)現(xiàn)個(gè)性化推薦或?qū)υ拑?nèi)容定制。

好用：

?廣泛的應(yīng)用場景支持：從個(gè)人助手到行業(yè)解決方案，覆蓋家居、醫(yī)療、教育、金融等領(lǐng)域。

?輕量化與邊緣部署：優(yōu)化模型適配終端設(shè)備，在低算力環(huán)境中實(shí)現(xiàn)高性能。

?高效開發(fā)與標(biāo)準(zhǔn)化接口：支持快速集成和跨平臺(tái)應(yīng)用，降低開發(fā)與部署成本。

據(jù)了解在本次評估中，豆包語音大模型全部滿足23項(xiàng)功能評估、在4項(xiàng)性能評估得分表現(xiàn)優(yōu)秀，支持20余項(xiàng)服務(wù)能力，成為國內(nèi)首家引領(lǐng)級通過評估的產(chǎn)品，具備優(yōu)異的語音合成、復(fù)刻、識別、分析等能力。