又一個(gè)接入大模型能力的組會(huì )神器實(shí)用工具，開(kāi)啟免費公測啦！

背后大模型，是阿里的通義千問(wèn)。至于為什么說(shuō)是組會(huì )神器嘛——

注意看，這是我的B站導師李沐老師，他正在帶同學(xué)們精讀一篇大模型論文。

(資料圖)

不巧就在這時(shí)，老板催我抓緊搬磚。我只好默默摘下耳機，點(diǎn)開(kāi)名為“通義聽(tīng)悟”的插件，然后切換頁(yè)面。

你猜怎么著(zhù)？雖然我人不在“組會(huì )”現場(chǎng)，但聽(tīng)悟已經(jīng)幫我完整記錄下了組會(huì )內容。

甚至還幫我一鍵總結出了關(guān)鍵詞、全文摘要和學(xué)習要點(diǎn)。

簡(jiǎn)單來(lái)說(shuō)，這個(gè)剛剛接入大模型能力的“通義聽(tīng)悟”，是一個(gè)大模型版的聚焦音視頻內容的工作學(xué)習AI助手。

跟以往的錄音轉寫(xiě)工具不同，它不只是能把錄音、視頻轉成文字這么簡(jiǎn)單。能一鍵總結全文不說(shuō)，總結不同發(fā)言人觀(guān)點(diǎn)也能做到：

甚至還能當實(shí)時(shí)字幕翻譯來(lái)用：

看上去，不僅開(kāi)組會(huì )好使，對于經(jīng)常要處理一大堆錄音、熬夜跟各種國外發(fā)布會(huì )的量子位來(lái)說(shuō)，也實(shí)屬日常工作新神器。

我們趕緊第一時(shí)間深入測試了一波。

通義聽(tīng)悟上手實(shí)測

音頻內容的整理和分析，最基礎也是最重要的，就是轉寫(xiě)的準確性。

Round 1，我們先上傳一個(gè)時(shí)長(cháng)在10分鐘左右的中文視頻，看看聽(tīng)悟與同類(lèi)工具相比，在準確性方面表現如何。

基本上，AI處理這種中等長(cháng)度音視頻的速度很快，大概不到2分鐘就能轉寫(xiě)完成。

先來(lái)看看聽(tīng)悟的表現：

在這個(gè)200字左右的段落中，聽(tīng)悟只出現了兩處錯誤：強 → 墻，都好處 → 恰到好處。像原子核、電荷、斥力這些物理名詞，聽(tīng)悟都能弄明白。

我們用同一段視頻在飛書(shū)妙記上也進(jìn)行了測試?；締?wèn)題也不大，但相比聽(tīng)悟，飛書(shū)多了兩處錯誤，把其中一處“原子”寫(xiě)成了“園子”，把“斥力”聽(tīng)成了“勢力”。

有意思的是，聽(tīng)悟犯的錯，飛書(shū)也一比一復刻了?？磥?lái)這口鍋還得量子位某說(shuō)話(huà)吞字的up主來(lái)背（手動(dòng)狗頭）。

訊飛聽(tīng)見(jiàn)，倒是分辨出了前兩位選手沒(méi)有識別出來(lái)的“恰到好處”。但訊飛聽(tīng)見(jiàn)基本上把“墻”全部都轉寫(xiě)成了“強”，還出現了“強的糖?！边@種神奇的搭配。另外，三位選手中，只有訊飛聽(tīng)見(jiàn)把“電磁力”聽(tīng)成了“電子力”。

總體來(lái)說(shuō)，中文的識別對這些AI工具來(lái)說(shuō)難度不大。那么在英文材料面前，它們又會(huì )表現如何？

我們上傳了一段馬斯克的最新訪(fǎng)談，內容是他與OpenAI過(guò)去的恩怨糾葛。

還是先來(lái)看聽(tīng)悟給出的結果。在馬斯克的這一段回答中，聽(tīng)悟沒(méi)有分辨出拉里·佩奇的名字，除此之外基本都能識別正確。

值得一提的是，聽(tīng)悟能夠直接將英文轉寫(xiě)結果翻譯成中文，并將雙語(yǔ)對照顯示，翻譯質(zhì)量也相當不錯。

飛書(shū)妙記則成功聽(tīng)出了拉里·佩奇的名字，不過(guò)和聽(tīng)悟一樣，由于馬斯克整體語(yǔ)速較快并且有一些口語(yǔ)化的表達，存在一些小錯誤，比如把“stay at his house”寫(xiě)成了“say this house”。

訊飛聽(tīng)見(jiàn)這邊，人名、連讀細節處理得都不錯，不過(guò)同樣存在被馬斯克的口語(yǔ)化表達誤導的情況，比如把“l(fā)ong into the evening”當成了“l(fā)onging to the evening”。

如此看來(lái)，在基礎能力語(yǔ)音識別方面，AI工具們都已經(jīng)達到了很高的準確率，在極高的效率面前，一些小問(wèn)題已經(jīng)瑕不掩瑜。

那么，我們將難度再升一級，Round 2，來(lái)測試測試它們對1小時(shí)左右長(cháng)視頻的總結能力。

測試視頻是一段40分鐘的圓桌討論，主題是中國AIGC新機遇。參與圓桌討論的共有5人。

聽(tīng)悟這邊，從轉寫(xiě)完成到AI提取關(guān)鍵詞、給出全文摘要，一共花了不到5分鐘的時(shí)間。

結果是醬嬸的：

不僅給出了關(guān)鍵詞，圓桌討論的內容也總結得很到位，并且還給視頻劃分了關(guān)鍵點(diǎn)。

對比人類(lèi)編輯摘錄的話(huà)題要點(diǎn)，我嗅到了一絲危機……

值得一提的是，針對不同嘉賓的發(fā)言，聽(tīng)悟都能給出對應的發(fā)言總結。

同樣的題目拋給飛書(shū)妙記。目前，在內容總結方面，飛書(shū)妙記還只能給出關(guān)鍵詞。

會(huì )議紀要需要手動(dòng)在轉寫(xiě)文字上標注。

訊飛聽(tīng)見(jiàn)基于星火認知大模型，也有能夠分析文件內容的產(chǎn)品正在內測，不過(guò)需要填寫(xiě)申請，排隊等待。（有內測資格的小伙伴歡迎分享體驗~）

在基礎的訊飛聽(tīng)見(jiàn)中，目前沒(méi)有類(lèi)似的總結功能。

看來(lái)這一輪測試：

不過(guò)要說(shuō)在本次實(shí)測中，通義聽(tīng)悟最令人感覺(jué)驚喜的，其實(shí)是一個(gè)“小”設計：

Chrome插件功能。

無(wú)論是看英文視頻，看直播，還是上課開(kāi)會(huì )，點(diǎn)開(kāi)聽(tīng)悟插件，就能實(shí)現音視頻的實(shí)時(shí)轉錄和翻譯。

就像開(kāi)頭所展示的那樣，拿來(lái)當實(shí)時(shí)字幕用，延遲低，翻譯快，還有雙語(yǔ)對照功能，同時(shí)，錄音和轉寫(xiě)文字都能一鍵保存下來(lái)，方便后續使用。

媽媽再也不用擔心我啃不下來(lái)英文視頻資料了。

另外，我還有個(gè)大膽的想法……

開(kāi)組會(huì )的時(shí)候打開(kāi)聽(tīng)悟，開(kāi)會(huì )兒小差再也不用怕被導師突然抽查了。

目前，聽(tīng)悟已經(jīng)和阿里云盤(pán)打通，存放在云盤(pán)中的音視頻內容可以一鍵轉寫(xiě)，在線(xiàn)播放云盤(pán)視頻時(shí)還能自動(dòng)顯示字幕。并且在企業(yè)版本中，AI整理后的音視頻文件將來(lái)還可以在內部快速分享。

聽(tīng)悟官方還透露，接下來(lái)，聽(tīng)悟還會(huì )持續上新大模型能力，比如直接抽取視頻內的PPT截圖、針對音視頻內容可以直接向AI提問(wèn)……

關(guān)鍵是，公測福利現在人人可薅，每天登陸即可自動(dòng)獲得2小時(shí)轉寫(xiě)時(shí)長(cháng)，阿里云官方微博、微信及各大平臺社區還會(huì )發(fā)放大量20小時(shí)轉寫(xiě)口令碼，并且時(shí)長(cháng)均可疊加，一年內有效。

勤快點(diǎn)的羊毛大師，攢出100小時(shí)以上的免費時(shí)長(cháng)不是夢(mèng)（手動(dòng)狗頭）。

背后技術(shù)：大語(yǔ)言模型+語(yǔ)音SOTA

其實(shí)，在公測之前，通義聽(tīng)悟就已經(jīng)在阿里內部精心打磨過(guò)了。

去年年底，也有量子位讀者拿到了聽(tīng)悟內測體驗卡，當時(shí)版本中，已經(jīng)有離線(xiàn)語(yǔ)音/視頻轉寫(xiě)和實(shí)時(shí)轉寫(xiě)的功能。

這次公測，聽(tīng)悟主要是接入了通義千問(wèn)大模型的摘要及對話(huà)能力。具體而言，是以通義千問(wèn)大模型為基座，融合了研發(fā)團隊在推理、對齊和對話(huà)問(wèn)答等方面的研究成果。

首先，如何準確抽取關(guān)鍵信息，是這類(lèi)神器提升工作效率的關(guān)鍵。這就需要借助大模型的推理能力。

阿里AI團隊在2022年提出了基于大語(yǔ)言模型的知識探測與推理利用框架Proton（Probing Turning from Large Language Models）。相關(guān)論文發(fā)表在KDD2022和SIGIR2023等國際頂會(huì )上。

該框架的核心思路在于，探測大模型的內部知識，以思維鏈為載體進(jìn)行知識流動(dòng)和利用。

在通用常識推理CommonsenseQA2.0、物理常識推理PIQA、數值常識推理Numbersense三大榜單上，Proton曾先后取得第一。

在TabFact（事實(shí)驗證）榜單上，Proton憑借知識分解和可信思維鏈技術(shù)，首次實(shí)現了超越人類(lèi)的效果。

其次，為了確保摘要內容和格式符合用戶(hù)預期，在對齊方面，聽(tīng)悟還用上了ELHF，即基于人類(lèi)反饋的高效對齊方法。

該方法僅需少量高質(zhì)量人工反饋樣本，就能實(shí)現對齊。在模型效果主觀(guān)評測中，ELHF能使模型勝率提高20%。

在此之外，聽(tīng)悟背后的研發(fā)團隊，還發(fā)布了首個(gè)中文超大規模文檔對話(huà)數據集Doc2Bot。該團隊提升模型問(wèn)答能力的Re3G方法，已經(jīng)入選ICASSP 2023：該方法通過(guò)Retrieve（檢索）、Rerank（重排序）、Refine（精調）和Generate（生成）四個(gè)階段，能提升模型對用戶(hù)問(wèn)題的理解、知識檢索和回復生成能力，在Doc2Dial和Multi Doc2Dial兩大文檔對話(huà)榜單中取得第一。

除了大模型能力，聽(tīng)悟還是阿里語(yǔ)音技術(shù)的集大成者。

其背后的語(yǔ)音識別模型Paraformer，來(lái)自阿里達摩院，首次在工業(yè)級應用層面解決了端到端識別效果與效率兼顧的難題：

不僅在推理效率上較傳統模型提升10倍，剛推出時(shí)還“屠榜”多個(gè)權威數據集，刷新語(yǔ)音識別準確率SOTA。在專(zhuān)業(yè)第三方全網(wǎng)公共云中文語(yǔ)音識別評測SpeechIO TIOBE白盒測試中，目前，Paraformer-large仍是準確率最高的中文語(yǔ)音識別模型。

Paraformer是單輪非自回歸模型，由編碼器、預測器、采樣器、解碼器和損失函數這五個(gè)部分組成。

通過(guò)對預測器的創(chuàng )新設計，Paraformer實(shí)現了對目標文字個(gè)數及對應聲學(xué)隱變量的精準預測。

另外，研究人員還引入了機器翻譯領(lǐng)域中瀏覽語(yǔ)言模型（GLM）的思路，設計了基于GLM的采樣器，增強了模型對上下文語(yǔ)義的建模。

同時(shí)，Paraformer還使用了數萬(wàn)小時(shí)、覆蓋豐富場(chǎng)景的超大規模工業(yè)數據集進(jìn)行訓練，進(jìn)一步提升了識別準確率。

而準確的多人討論發(fā)言人區分，則得益于達摩院的CAM++說(shuō)話(huà)人識別基礎模型。該模型采用基于密集型連接的時(shí)延網(wǎng)絡(luò )D-TDNN，每一層的輸入均由前面所有層的輸出拼接而成，這種層級特征復用和時(shí)延網(wǎng)絡(luò )的一維卷積，可以顯著(zhù)提高網(wǎng)絡(luò )的計算效率。

在行業(yè)主流的中英文測試集VoxCeleb和CN-Celeb上，CAM++均刷新了最優(yōu)準確率。

大模型開(kāi)卷，用戶(hù)受益

據中國科學(xué)技術(shù)信息研究所報告，據不完全統計，目前國內已經(jīng)發(fā)布了79個(gè)大模型。

這種大模型開(kāi)卷的趨勢下，AI應用進(jìn)化的速度再次進(jìn)入到一個(gè)沖刺階段。

站在用戶(hù)的角度來(lái)說(shuō)，喜聞樂(lè )見(jiàn)的局面正逐步形成：

大模型的“統籌”之下，各種AI技術(shù)開(kāi)始在應用側百花齊放，使得工具越來(lái)越高效，越來(lái)越智能。

從一個(gè)斜杠就能幫你自動(dòng)寫(xiě)完工作計劃的智能文檔，到快速幫你總結要素的音視頻記錄和分析工具，生成式大模型這朵AGI的火花，正在讓越來(lái)越多的人感受到AI的魔力。

與此同時(shí)，對于科技企業(yè)來(lái)說(shuō)，新的挑戰和新的機會(huì )，無(wú)疑也已經(jīng)出現。

挑戰是，所有產(chǎn)品都將被大模型的風(fēng)暴席卷，技術(shù)創(chuàng )新已經(jīng)成為了無(wú)可回避的關(guān)鍵問(wèn)題。

機會(huì )是，對于新的殺手級應用而言，重寫(xiě)市場(chǎng)格局的時(shí)間點(diǎn)已經(jīng)到來(lái)。而誰(shuí)能拔得頭籌，就要看誰(shuí)的技術(shù)準備更充分，誰(shuí)的技術(shù)進(jìn)化速度更快了。

無(wú)論如何，技術(shù)開(kāi)卷，終將是用戶(hù)受益。

本文來(lái)源：量子位，原文標題：《阿里云大模型上新！AI神器「通義聽(tīng)悟」公測中：長(cháng)視頻一秒總結，還能自動(dòng)做筆記、翻字幕 | 羊毛可薅》

風(fēng)險提示及免責條款 市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。

關(guān)鍵詞：