文|獵云網(wǎng) 孫媛
“這不降維battle訊飛嗎？”
昨日，在朋友圈一張通義聽悟的專屬口令福利海報(bào)下，一位媒體工作者留言道。
彼時(shí)在粵港灣大灣區(qū)的廣州，阿里云CTO周靖人對通義聽悟給出了如下描述：作為一款工作學(xué)習(xí)AI助手，聽悟瞄準(zhǔn)具有高知識(shí)附加值的音視頻內(nèi)容場景，比如開會(huì)、上課、訪談、培訓(xùn)、面試、直播、看視頻、聽播客等，能通過大模型等最新AI技術(shù)快速提煉和沉淀知識(shí)。
一言以蔽之，就是聽力好、悟性高，可以幫人隨時(shí)隨地高效完成對音視頻內(nèi)容的轉(zhuǎn)寫、檢索、摘要和整理，比如自動(dòng)做筆記、整理訪談、提取PPT等。而這正是訊飛腹地——訊飛聽見的主戰(zhàn)場。
有意思的是，此前5月，同樣也在粵港灣大灣區(qū)，只不過在澳門，科大訊飛亮相了其大模型軟件產(chǎn)品“訊飛聽見會(huì)寫”，就是基于對音頻文件的內(nèi)容AI分析，自動(dòng)生成會(huì)議紀(jì)要、工作代辦、工作計(jì)劃，并支持基于原文內(nèi)容進(jìn)行AI對話和內(nèi)容追溯。
簡單來看，不僅功能類同，甚至展示的選址都相近。
會(huì)上，阿里云也毫不掩飾自己要挑戰(zhàn)智能語音轉(zhuǎn)寫頭部的野心，直接拿出了互聯(lián)網(wǎng)慣用的“補(bǔ)貼換用戶”的攻城略地式營銷策略。公測期間，大量發(fā)放20小時(shí)轉(zhuǎn)寫口令碼，甚至權(quán)益可累加達(dá)免費(fèi)時(shí)長100小時(shí)以上，以訊飛聽見App中文/英文機(jī)器快轉(zhuǎn)標(biāo)準(zhǔn)價(jià)格0.33元/分鐘來計(jì)算，聽悟100小時(shí)免費(fèi)時(shí)長可以說是給目標(biāo)用戶節(jié)省1980元的支出。
不管如何，先說一句，補(bǔ)貼“真香”。
對標(biāo)訊飛，聽悟有何不同
事實(shí)上，這不是獵云網(wǎng)第一次接觸到聽悟。在之前的云棲大會(huì)上，聽悟就有內(nèi)測版本，已經(jīng)有離線語音/視頻轉(zhuǎn)寫、實(shí)時(shí)轉(zhuǎn)寫、角色分離、分屏記錄等功能。但當(dāng)時(shí)，阿里云的低調(diào)內(nèi)測算是點(diǎn)到為止，好奇者先行。
時(shí)至今日，接入大模型能力的“通義聽悟”，作為一個(gè)大模型版的聚焦音視頻內(nèi)容的工作學(xué)習(xí)AI助手，融合了研發(fā)團(tuán)隊(duì)在推理、對齊和對話問答等方面的研究成果，不僅能完成錄音轉(zhuǎn)寫，還能一鍵總結(jié)全文及不同發(fā)言人觀點(diǎn)，顯然也跟之前版本有較大提升。
根據(jù)周靖人所說，聽悟有兩層含義，首先是“聽”，能夠聽清內(nèi)容，第二層含義是要“悟”，能夠要理解其中的意思，真正為日常的工作、學(xué)習(xí)提高效能。故而此次獵云網(wǎng)的簡單測評也主要圍繞這兩點(diǎn)展開。
首先，要想嘗試此次公測版本，目前微信小程序端不支持實(shí)時(shí)轉(zhuǎn)寫，主要還是通過通義聽悟官網(wǎng)進(jìn)行使用，同時(shí)可以關(guān)聯(lián)自己的阿里云盤，進(jìn)行音視頻內(nèi)容導(dǎo)入。語音轉(zhuǎn)換上，可以開啟實(shí)時(shí)記錄（實(shí)時(shí)語音轉(zhuǎn)文字）和上傳音視頻（音視頻轉(zhuǎn)文字）兩種方式來實(shí)現(xiàn)。
在進(jìn)行實(shí)時(shí)記錄并同步翻譯測試上，獵云網(wǎng)采用了B站上TED官方標(biāo)題為《ChatGPT如此強(qiáng)大，AI的崛起讓人類何去何從？》的視頻語音。在同步翻譯的過程中，可以發(fā)現(xiàn)比對中文字幕，聽悟的翻譯結(jié)果總體意思理解尚可，但是在語句在翻譯的順序上有所偏差，譬如“在關(guān)于未來工作真正有用的東西”，聽悟的結(jié)果為“有用的關(guān)于工作的未來”，同時(shí)可能存在部分缺漏的翻譯情況，譬如“他們可能會(huì)搶走我們所有的工作”，關(guān)于“搶走”這個(gè)動(dòng)詞沒有體現(xiàn)。
來源：獵云網(wǎng)
在音視頻轉(zhuǎn)文字測試上，獵云網(wǎng)采用了訊飛聽見錄音筆錄制的一段內(nèi)容，通過上傳阿里云盤，同步到聽悟進(jìn)行語音轉(zhuǎn)換，發(fā)現(xiàn)就微弱語音的信息捕捉上，聽悟優(yōu)于訊飛聽見，捕捉了一句訊飛聽見未轉(zhuǎn)換的內(nèi)容，而轉(zhuǎn)換的準(zhǔn)確度上，訊飛聽見更勝一籌，跟錄音內(nèi)容一致，但聽悟會(huì)出現(xiàn)個(gè)別詞的錯(cuò)誤轉(zhuǎn)換。
來源：獵云網(wǎng)
雖然在聽上，聽悟從此次測試比對上總體看略遜色于訊飛聽見，但悟的理解及分析能力著實(shí)讓人眼前一亮，就獵云網(wǎng)提供的錄音來看，聽悟在全文概要、章節(jié)速覽以及關(guān)鍵詞提取上除了個(gè)別字眼的錯(cuò)誤外，整體較為準(zhǔn)確，對于文字工作者來說其增效明顯。
來源：聽悟截圖
從某種程度上來說，通義聽悟定位為面向工作、學(xué)習(xí)的AI助手，是實(shí)至名歸。通義聽悟雖然現(xiàn)在才進(jìn)行公測，但早在阿里巴巴內(nèi)部開展使用，并經(jīng)歷了從聽到悟的升級(jí)過程。
據(jù)通義聽悟技術(shù)負(fù)責(zé)人鄢志杰透露，過去很多項(xiàng)目管理的同學(xué)上項(xiàng)目會(huì)，例如投資部到外面訪談、盡職調(diào)查，以及人力資源招聘等內(nèi)部場景，聽悟更多還是做語音的記錄、簡單回顧跟整理。但從2019年開始，阿里云陸續(xù)在大模型方面進(jìn)行重點(diǎn)研發(fā)跟積累，在基于通義千問大模型對文字和知識(shí)體系的理解+阿里云在音視頻相關(guān)的模型能力，聽悟才得以實(shí)現(xiàn)AI能力的場景化。
瞄準(zhǔn)智能語音轉(zhuǎn)寫，實(shí)則以模型服務(wù)開局
正如上文所說，聽悟?qū)?biāo)的是訊飛聽見，但之所以阿里云先盯上音視頻轉(zhuǎn)寫領(lǐng)域，一方面是有著多年語音技術(shù)的積累，另一方面也是瞄準(zhǔn)了科大訊飛在國內(nèi)智能語音轉(zhuǎn)寫市場的核心領(lǐng)地。
自2017年11月訊飛在“用AI為世界賦能”的發(fā)布會(huì)上，“順手”展示了訊飛聽見的中英文實(shí)時(shí)字幕，便讓這項(xiàng)堪稱黑科技的產(chǎn)品，讓其在AI 1.0時(shí)代初期，迅速確立了AI龍頭的位置。六年間，訊飛營收從2017年的54.45億，一躍增長至2022年的188.20億，對應(yīng)28.15%的復(fù)合增速。
其中，訊飛主要提供AI解決方案平臺(tái)、智能硬件（錄音筆）和移動(dòng)互聯(lián)網(wǎng)增值產(chǎn)品（輸入法、訊飛聽見）的開放平臺(tái)及消費(fèi)者業(yè)務(wù)，是僅次于教育領(lǐng)域的第二大營收來源。在2020年至2022年，該業(yè)務(wù)的營收占比從23.65%增長至2022年的24.66%。營收從30.8億增長至2022年的46.4億，對應(yīng)復(fù)合增速為22.74%。
從訊飛的數(shù)據(jù)來看，智能語音從企業(yè)營收以及用戶需求層面是一個(gè)值得切入的好市場，除以科大訊飛、搜狗為代表的專業(yè)智能語音企業(yè)外，以阿里云、騰訊云為代表的云服務(wù)廠商，以網(wǎng)易為代表的專業(yè)轉(zhuǎn)寫或翻譯廠商等也一直躍躍欲試，頗有三分天下的態(tài)勢。
這一次，阿里云切入訊飛腹地，也算在意料之中。
只不過就拿產(chǎn)品和價(jià)格來說，目前功能相差不大的情況下，訊飛聽見的用戶可能并不一定會(huì)對聽悟太感冒。聽悟“補(bǔ)貼”雖香，但不要忘了科大訊飛多年前其憑一招“智能錄音筆用戶享終身免費(fèi)翻錄服務(wù)”，一舉收割了編輯、分析師、律師、HR、學(xué)生等大量市場需求，行業(yè)地位暫時(shí)無人能及。
據(jù)公開資料顯示，科大訊飛的智能錄音筆市場份額在2022年增至44%，在雙十一期間內(nèi)占GMV市場份額的57%，市場份額一直保持第一。
從這個(gè)角度去看，聽悟現(xiàn)在高調(diào)殺入智能語音市場，為battle訊飛造勢及免費(fèi)福利派送，更像是阿里云號(hào)召大家來對聽悟進(jìn)行一次“嘗試”，背后是來感受通義千問大模型的能力。
通義聽悟背后依賴通義千問大模型，主要基于阿里云一系列技術(shù)投入以及相關(guān)的進(jìn)展，而云和整個(gè)智能化密不可分。
周靖人在4月份有提到過云智一體等方面內(nèi)容，阿里云從一開始設(shè)計(jì)包含云和智能，這是兩個(gè)重要相輔相成的環(huán)節(jié)。他表示，特別是從IaaS、MaaS、PaaS三層的架構(gòu)來看，所有范疇其實(shí)都是在講云整體的技術(shù)，包括通義聽悟以及通義千問，都是云技術(shù)在這個(gè)時(shí)代怎么快速變革、快速應(yīng)對以及在新時(shí)代浪潮里如何不斷創(chuàng)新。
通義千問發(fā)布之后，阿里云就陸續(xù)在全國推進(jìn)快速部署AI模型的工作，而通義聽悟的推出更多像是一種官宣：阿里云不光在算法層面上，還把模型能力提升到產(chǎn)品里面，去服務(wù)到更多開發(fā)者或者各行各業(yè)。
也就是說，在這一波聲勢之下，阿里云以通義聽悟作為MaaS（模型即服務(wù)）環(huán)節(jié)下的典型，想讓更多企業(yè)及開發(fā)者注意到，通過把模型訓(xùn)練和模型服務(wù)的成本不斷降低，開發(fā)者可以把模型有效使用起來，對模型進(jìn)行二次開發(fā)，讓阿里云的AI能力可以集成到他們業(yè)務(wù)中去，進(jìn)行更多云上創(chuàng)新。
有專注大模型研究的投資人表示，語音轉(zhuǎn)文字能力各家其實(shí)差距不大，轉(zhuǎn)寫是一般能力，更重要的是能做到丟失重要內(nèi)容的情況下去結(jié)構(gòu)化改寫總結(jié)才是突破。
“就通義聽悟來說，更像是阿里云給通義千問大模型找落地場景，以及從數(shù)據(jù)源積累上看也更為合理?！?/p>
卷大模型之爭，AI技術(shù)應(yīng)用成焦點(diǎn)
頗有意思的是，這邊通義千問降維用通義聽悟?qū)?biāo)訊飛聽見，那邊科大訊飛也以星火大模型飆入國內(nèi)大語言模型賽道，其CEO劉慶峰還強(qiáng)調(diào)“現(xiàn)在訊飛星火的語言理解能力，不僅在國內(nèi)是遙遙領(lǐng)先的，跟ChatGPT也僅僅一步之遙”、“我們在今年十月份之前就會(huì)超過（ChatGPT）”。
豪言壯志之下，科大訊飛的一季度財(cái)報(bào)并不好看，營業(yè)收入28.88億元，同比減少17.64%；歸屬于上市公司股東的凈利潤-5789.53萬元，上年同期為盈利1.11億元，營收、凈利雙降。當(dāng)然這也部分“歸功”于公司2022年12月15日啟動(dòng)了“1+N認(rèn)知智能大模型專項(xiàng)攻關(guān)”，攻關(guān)項(xiàng)目的新增投入。今年一季度，科大訊飛的研發(fā)投入達(dá)到7.157億，同比增加了近6%。
從聽悟PK聽見，通義千問PK星火，不難發(fā)現(xiàn)，從這場智能語音的技術(shù)應(yīng)用往上看，實(shí)質(zhì)是大模型的根本較量。
據(jù)不完全統(tǒng)計(jì)，2月復(fù)旦大學(xué)發(fā)布MOSS；3月清華大學(xué)發(fā)布ChatGLM-6B、百度發(fā)布文心一言；4月阿里云發(fā)布通義千問、知乎發(fā)布知海圖AI；5月，科大訊飛發(fā)布星火、騰訊發(fā)布混元、360發(fā)布360GPT。再到5月31日，百度創(chuàng)始人李彥宏宣布啟動(dòng)“文心杯”創(chuàng)業(yè)大賽，設(shè)立規(guī)模10億元投資基金支持生成式AI領(lǐng)域初創(chuàng)企業(yè)，一場從大模型層到應(yīng)用層的AI狂潮正在加速。
從百度智能云在本季度實(shí)現(xiàn)了盈利（non-GAAP）來看，百度率先吃到了大模型的紅利，而李彥宏也表示計(jì)劃逐步將文心一言融入百度的所有業(yè)務(wù)，為產(chǎn)品及服務(wù)賦能，吸引更廣泛的用戶及客戶，圍繞文心一言在新的時(shí)代中建立新生態(tài)。
對比之下，5月18日阿里云2023財(cái)年?duì)I收增速為3.5%，意味著在生成式AI帶來了人工智能新模式的變革中，在云之上，阿里云亟需尋求新增量——大模型至關(guān)重要。
在通義聽悟發(fā)布前，阿里云就推出了一系列全新的產(chǎn)品和價(jià)格政策，包括AI 大模型通義千問的成果展示及行業(yè)探索、推出核心產(chǎn)品降價(jià)和免費(fèi)試用計(jì)劃、大幅提高合作伙伴傭金率等。但萬變不離其宗，主要目標(biāo)就是擴(kuò)大阿里云公共云的客戶數(shù)量和用云規(guī)模，并帶動(dòng)各類 AI 模型訓(xùn)練和服務(wù)所需的高性能算力的增長，來為阿里云的長遠(yuǎn)發(fā)展構(gòu)建更可持續(xù)的增長動(dòng)力。
正如周靖人所說，通義聽悟的發(fā)布并不是一個(gè)終點(diǎn)，而是一個(gè)新起點(diǎn)。
這場基于大模型的產(chǎn)品和企業(yè)解決方案的較量，序幕已拉開。