新智元報(bào)道
編輯：?jiǎn)虠?Frey【新智元導(dǎo)讀】雖然OpenAI的「Her」還是期貨，但硅谷的科技巨頭們已經(jīng)開始相繼發(fā)力語(yǔ)音模型。前有谷歌的Gemini Live和蘋果的升級(jí)版Siri，如今巨頭亞馬遜和新秀Cerebras也加入了這場(chǎng)競(jìng)爭(zhēng)。繼OpenAI在5月發(fā)布會(huì)上展示「期貨」GPT-4o的語(yǔ)音功能后，「AI語(yǔ)音助手」類的產(chǎn)品又成為了硅谷科技巨頭的必爭(zhēng)之地。
緊跟著OpenAI開發(fā)布會(huì)的谷歌也馬上宣布Gemini將推出語(yǔ)音聊天模式Gemini Live。
8月，谷歌在Pixel 9活動(dòng)上正式發(fā)布了Gemini Live，取代了原來谷歌助手的產(chǎn)品定位。
類似GPT-4o，Gemini Live不僅能實(shí)現(xiàn)隨時(shí)打斷的對(duì)話式交流，還有對(duì)設(shè)備屏幕的感知能力，可以實(shí)時(shí)解釋用戶的屏幕或視頻信息。
Gemini Live目前已經(jīng)針對(duì)安卓設(shè)備推出，但仍只有英語(yǔ)模式，未來還將登錄iOS系統(tǒng)并提供更多語(yǔ)言。
6月，蘋果就在WWDC大會(huì)上展示了如何用Apple Intelligence給2011年就誕生的Siri改頭換面。
與谷歌和OpenAI著重強(qiáng)調(diào)的「交流」功能不同，Siri似乎更專注于語(yǔ)音「助手」的定位。
屏幕感知、跨應(yīng)用操作、智能體般的多命令處理，一個(gè)都不少。
比如，動(dòng)動(dòng)嘴便可打開文檔、將筆記移動(dòng)到另一個(gè)文件夾、發(fā)送或刪除電子郵件、在Apple News中打開特定文章、發(fā)送網(wǎng)頁(yè)鏈接，甚至請(qǐng)求設(shè)備提供文章摘要。
但是，這版更強(qiáng)Siri的上線還沒有明確期限，所依靠的Apple Intelligence也只能在iPhone 15 Pro或更新型號(hào)的手機(jī)才能運(yùn)行。
根據(jù)彭博社的報(bào)道，蘋果團(tuán)隊(duì)似乎需要大量時(shí)間來重構(gòu)Siri的底層，高級(jí)版Siri最快也要等到2025年，才會(huì)出現(xiàn)在iOS 18上。
雖然還未正式上線，但可以看出，GenAI的這波革新讓蘋果13歲的Siri煥發(fā)新生。
而提到Siri，讓人想起和它同代的另一個(gè)語(yǔ)音助手亞馬遜推出的Alexa。
亞馬遜改造Alexa
實(shí)際上，Alexa的革新計(jì)劃由來已久。早在今年1月，Business Insider就報(bào)道過這個(gè)項(xiàng)目，名為Remarkable Alexa，它正在內(nèi)外的重重阻力下艱難推進(jìn)。
發(fā)布的日期也是一拖再拖，從最初的6月30日，到之前決定的8月。
8月30日路透社報(bào)道，有知情人士表示，改進(jìn)版的Alexa將在10月美國(guó)美國(guó)假日季前發(fā)布。
該項(xiàng)目在內(nèi)部被稱為「榕樹」（Banyan），將是Alexa自2014年與Echo系列揚(yáng)聲器一起推出后迎來的首次重大改革。
Remarkable Alexa計(jì)劃向用戶收取5～10美元的訂閱費(fèi)用，以抵銷GenAI模型的成本。
這部分訂閱不會(huì)包含在每年139美元的Prime服務(wù)中，但亞馬遜仍將提供免費(fèi)版本的Classic語(yǔ)音助手。
Alexa難掩頹勢(shì)2014年，亞馬遜首次推出Alexa的語(yǔ)音驅(qū)動(dòng)功能，讓當(dāng)時(shí)的消費(fèi)者驚嘆不已，卻落后于最近的GenAI浪潮。
根據(jù)Insider Intelligence的統(tǒng)計(jì)，在美國(guó)，Google Assistant今年的用戶數(shù)量預(yù)計(jì)將達(dá)到8880萬(wàn)，其次是 Siri的8420萬(wàn)。Alexa的用戶數(shù)量位居第三，約為7560萬(wàn)。
和Siri淪為語(yǔ)音計(jì)時(shí)器的境地類似，通過Echo音響訪問的Alexa也多用于設(shè)置計(jì)時(shí)器、詢問天氣、播放音樂或回答簡(jiǎn)單問題等功能。
不僅如此，亞馬遜想要通過Alexa提升電商業(yè)務(wù)銷售額的希望也落空了。
正如Kindle屏之于電子書商城，健康監(jiān)測(cè)服務(wù)之于Halo手環(huán)，便宜到經(jīng)常低于成本價(jià)的Echo音響和免費(fèi)提供的Alexa，實(shí)際上包含著亞馬遜借硬件打造軟件的產(chǎn)品思路
不求在硬件銷售上獲利，但求從用戶后續(xù)對(duì)軟件的使用、數(shù)字內(nèi)容的獲取和平臺(tái)的依賴等中獲取更高毛利的收入。
這種營(yíng)銷方式最初是借鑒剃須刀巨頭吉列推出極具價(jià)格優(yōu)勢(shì)的剃須刀，但通過售賣補(bǔ)充刀片賺得盆滿缽滿。
最初對(duì)Alexa的設(shè)想非常美好用戶通過語(yǔ)音方式詢問購(gòu)買建議，之后委托Alexa直接下單，就能拉動(dòng)亞馬遜的電商銷量。
但隨后他們發(fā)現(xiàn)，這個(gè)思路不起作用。主要是因?yàn)橛脩粝矚g「眼見為實(shí)」，僅憑Alexa的語(yǔ)音描述很難讓人甘心掏錢網(wǎng)購(gòu)。
根據(jù)內(nèi)部文件和知情人士的透露，這種不成功的策略讓亞馬遜在Echos、Kindle等智能設(shè)備業(yè)務(wù)上虧損了數(shù)百億美元，可以說是貝佐斯在位時(shí)為數(shù)不多的巨大誤判。
硬件虧錢、軟件不賺錢，力挺Alexa的貝佐斯又離開了管理團(tuán)隊(duì)，導(dǎo)致裁員的大刀最先落在了Alexa團(tuán)隊(duì)的頭上。
Business Insider跟蹤LinkedIn上的帖子后發(fā)現(xiàn)，在2022年底開始的大裁員中，Alexa的AI系統(tǒng)、自然語(yǔ)言理解和對(duì)話能力團(tuán)隊(duì)幾乎是首當(dāng)其沖、受到了最高等級(jí)的影響。
然而，即使AI技術(shù)落后、虧損巨大，Alexa還掌握著一個(gè)關(guān)鍵優(yōu)勢(shì)，可以助他們扳回一城截至2023年，已經(jīng)在全球賣出的支持Alexa的硬件設(shè)備超過5億臺(tái)。
合作Anthropic借用Claude
CNBC和Business Insider在之前的報(bào)道中曾援引知情人士的說法，表示亞馬遜計(jì)劃基于內(nèi)部語(yǔ)言模型Titan或Olympus升級(jí)Alexa。
然而，或許是內(nèi)部技術(shù)不給力，路透社的最新報(bào)道表示，10月發(fā)布的Remarkable Alexa將由Anthropic的Claude模型支持，而非自己的基座模型。
亞馬遜和Anthropic的合作由來已久。去年9月，他們就為Anthropic提供了高達(dá)40億美元的投資，獲得少量股權(quán)的同時(shí)，以AWS云服務(wù)交換到了對(duì)Claude模型的使用。
一些知情人士表示，升級(jí)后的Remarkable Alexa可以執(zhí)行更復(fù)雜的任務(wù)，例如撰寫簡(jiǎn)短的電子郵件、發(fā)送郵件以及從Uber Eats訂餐，而且讓用戶無(wú)需在對(duì)話中重復(fù)召喚「Alexa」。
此外，亞馬遜還計(jì)劃增強(qiáng)Alexa提供的自動(dòng)化家居功能，可以無(wú)線連接到智能設(shè)備，讓用戶進(jìn)行語(yǔ)音控制。
具體而言，Remarkable的關(guān)鍵功能更新如下：
- 對(duì)話能力增強(qiáng)，與用戶進(jìn)行更自然、更有吸引力的對(duì)話，并提供與上下文相關(guān)的響應(yīng)
- 個(gè)性化推薦：根據(jù)用戶喜好和歷史記錄，針對(duì)購(gòu)物、新聞和其他內(nèi)容進(jìn)行定制化推薦
- 家居自動(dòng)化：Remarkable Alexa將作為一個(gè)更復(fù)雜的家居自動(dòng)化中心，記住用戶偏好，自動(dòng)執(zhí)行鬧鐘設(shè)置、咖啡機(jī)啟動(dòng)或電視節(jié)目錄制等任務(wù)
- 復(fù)雜任務(wù)執(zhí)行：用戶可以提出更復(fù)雜的指令，例如訂購(gòu)食物或起草電子郵件
總而言之，面對(duì)谷歌、蘋果等公司來勢(shì)洶洶的競(jìng)爭(zhēng)，Alexa團(tuán)隊(duì)現(xiàn)在的任務(wù)是，打造一款能夠在新的GenAI競(jìng)爭(zhēng)中脫穎而出的語(yǔ)音交互設(shè)備。
REUTERS/Mike Blake這其中的障礙，一是價(jià)格，二是AI安全問題。
一位知情人士估計(jì)，在Alexa中使用GenAI的查詢成本為每次2美分。有內(nèi)部估計(jì)甚至指出，訂閱費(fèi)用需要定為20美元，這也是ChatGPT的訂閱價(jià)格。
也有亞馬遜員工表示懷疑，除了已經(jīng)為Prime會(huì)員支付139美元的用戶，是否還有人愿意每年多掏60～120美元，獲得比免費(fèi)版Alexa更智能一點(diǎn)的Remarkable Alexa。
但美國(guó)銀行分析師Justin Post的分析結(jié)果相當(dāng)樂觀。
根據(jù)他在6月的估計(jì)，大約有1億活躍的Alexa用戶，其中10%可能會(huì)選擇Alexa的付費(fèi)版本。按每月5美元的費(fèi)用計(jì)算，這將額外帶來6億美元的年銷售額。
AI安全方面，有開發(fā)人員表示，Alexa大多出現(xiàn)在客廳或廚房中，這提高了應(yīng)用GenAI模型的風(fēng)險(xiǎn)。如果Alexa不理解命令或提供不可靠的信息，犯錯(cuò)誤的代價(jià)就會(huì)更高。
Cerebras語(yǔ)音版成GPT-4o平替
想跟上語(yǔ)音模型更新步伐的，除了亞馬遜這種巨頭，還有Cerebras這個(gè)新秀。
據(jù)悉，Cerebras Inference使用了Cerebras CS-3系統(tǒng)和WSE-3 AI處理器，內(nèi)存帶寬和內(nèi)核數(shù)分別是英偉達(dá)H100的7,000倍和52倍。
依托具備如此超高速AI推理能力的Cerebras Inference之上的Cerebras語(yǔ)音對(duì)話模型讓人非常期待！
但原始的視頻demo鏈接已失效。多虧評(píng)論區(qū)熱心網(wǎng)友，提供了另外一個(gè)類似于Cerebras語(yǔ)音對(duì)話模式的示例。
該對(duì)話模擬示例同樣基于LiveKit，但以ChatGPT為基礎(chǔ)模型。
具體來說，它借助Websocket使用LLM模擬了電話對(duì)話，并進(jìn)行了系列優(yōu)化，最終實(shí)現(xiàn)了無(wú)縫和快速對(duì)話。
不少網(wǎng)友在感嘆其功能強(qiáng)大，開發(fā)便捷的同時(shí)，惋惜它比ChatGPT-4o上線晚，丟失了很大一部分熱度。
LiveKit代理是通過語(yǔ)音，視頻和數(shù)據(jù)頻道與最終用戶相互作用的多模式AI智能體Agent的端到端框架。該框架可以憑借Python構(gòu)建智能體。
Agent框架被設(shè)計(jì)成可構(gòu)建實(shí)時(shí)、可編程、運(yùn)行在服務(wù)器上的框架。它可被用來創(chuàng)建可看到的、聽到、理解的對(duì)話和多模態(tài)語(yǔ)音智能體。
該框架包括用于常見工作流程的插件，例如語(yǔ)音活動(dòng)檢測(cè)和語(yǔ)音到文本轉(zhuǎn)換。
Agent與云或自托管LiveKit服務(wù)器無(wú)縫集成，在本地計(jì)算機(jī)上開發(fā)的Agent代碼可以擴(kuò)展以支持成千上萬(wàn)的并發(fā)會(huì)話，然后將其部署到服務(wù)器中。
Cerebras語(yǔ)音版一經(jīng)發(fā)布，就引發(fā)了油管上很多博主的關(guān)注和測(cè)評(píng)。
Antti Luode通過多次打斷對(duì)話的方式，測(cè)試了Cerebras 實(shí)時(shí)語(yǔ)音模式的能力，證實(shí)其能快速有效理解對(duì)話并提供可靠信息。
Cerebras語(yǔ)音版Q&A對(duì)話集錦
Q：你是如何被開發(fā)的？
A：我是自然語(yǔ)言處理和機(jī)器學(xué)習(xí)算法的組合產(chǎn)物。我可以實(shí)現(xiàn)交互，在用戶打斷我時(shí)，也允許無(wú)縫轉(zhuǎn)換和自然的對(duì)話流程。
Q：你有什么想對(duì)YouTube觀眾說的嗎？
A：我只是開啟了對(duì)話型AI技術(shù)套件的新紀(jì)元。諸如我一樣的語(yǔ)音助手未來，需要擁有更復(fù)雜、更人性化的功能。比如能理解細(xì)微上下文間的差距，甚至情緒的變化。
Q：我的最后一個(gè)問題，如何打開啟動(dòng)艙門？
A：短語(yǔ)「打開啟動(dòng)艙門」， 是電影《2001年太空漫游》中的一句著名臺(tái)詞，由Dave Bowman在嘗試與飛船計(jì)算機(jī)交互時(shí)說出...
令人驚喜的是，這場(chǎng)跨時(shí)空的虛假對(duì)話，預(yù)示著人工智能時(shí)代，超智慧電腦HAL 9000的現(xiàn)實(shí)體正一步步向我們走來！
