目前生成式 AI 的主要焦点一直集中在用于生成文本、图像等的基于文本的界面上。下一波浪潮似乎是语音,而且发展迅速。在最新进展中,Google 今天宣布,从下周开始将其高清语音界面 Chirp 3 添加到其 Vertex AI 开发平台中。
上周,Google 悄然宣布 Chirp 3 将为 31 种语言推出 8 种新的语音。该平台的使用场景包括构建语音助手、制作有声读物、开发支持代理和视频配音。这一消息是在 Google DeepMind 伦敦办公室的一场活动中宣布的。
与此同时,其他公司也在语音 AI 领域迅速前进。上周,Sesame(该公司开发了病毒式传播的、听起来非常逼真的 "Maya" 和 "Miles" AI 应用)宣布推出其开发者模型,让开发者可以在其技术基础上构建自定义应用和服务。
值得注意的是,Chirp 3 将设置使用限制以防止滥用。Google Cloud 首席执行官 Thomas Kurian 在今天的新闻发布会上表示:"我们正在与安全团队一起解决这些问题。"
ElevenLabs 是主要初创公司之一,已筹集数亿美元资金用于扩展其 AI 语音服务。
这一消息意味着 Chirp 3 将与目前正在测试的新版本旗舰大语言模型 Gemini、图像生成模型 Imagen 以及昂贵的视频生成工具 Veo 2 进入同一阵营。
Google 推出的 Chirp 3 是否能像其他 AI 努力创造的"人类"声音一样"逼真"(特别是 Sesame 的成果)还有待商榷。但正如 DeepMind 首席执行官 Demis Hassabis 强调的,这仍然是一场马拉松,而不是短跑。
他说:"在近期......认为 [AI] 在未来几年内能解决所有问题的想法,我认为还为时过早。我们距离实现通用人工智能(AGI)还有几年的时间。这将在未来十年改变一些事物,所以是中长期的。这是一个有趣的时刻。"
Google 早在 2021 年就推出了 Vertex AI,作为开发者在云端构建机器学习服务的平台。当然,这是在 OpenAI 的 GPT 服务推出引发 AI、特别是生成式 AI 的兴趣爆发之前。
此后,该公司一直在深耕 Vertex AI,部分原因是要追赶 Microsoft 和 Amazon 等为开发者构建生成式 AI 工具的公司。除了在 Gemini 基础上构建生成式 AI 外,开发者还可以使用 Vertex AI 对数据进行分类、训练模型并为生产设置训练模型。值得关注的是,它是否会将其围墙花园扩展到 Google 自身创建的模型之外。
Google 多年来一直在开发 "Chirp" 语音服务,这个名称最早是用作其与 Amazon 的 Alexa 服务竞争的早期努力的代号。
好文章,需要你的鼓励
树莓派基金会调查发现,尽管60%的家长认为编程是孩子的重要技能,但超过70%的家长表示孩子在正常课程中没有学习编程。该基金会CEO指出,随着AI技术快速发展,年轻人掌握技术理解和创造能力比以往更重要。超半数家长认为编程应成为必修课程,并相信学习编程能提升孩子未来职业前景。为填补学校教育空白,基金会呼吁在学校和图书馆广泛设立编程俱乐部,目标到2035年全球教授1000万儿童编程技能。
Patronus AI发布突破性研究,构建了首个系统性AI代理错误评估体系TRAIL,涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%,揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限,为构建更可靠的AI系统指明方向。
文章介绍了AI大语言模型中最新的深度研究功能,这是目前最令人印象深刻的新功能之一。作者详细解析了ChatGPT、Claude和Gemini等主流模型的使用方法,并重点展示了深度研究功能的实际应用。通过实际测试,作者用ChatGPT 4.5的深度研究功能生成了一份关于1990-2025年最令人厌烦歌曲的详细报告,展示了AI如何通过思维链进行深度研究和分析。文章还提到了语音交互模式将进一步改变用户与AI的交互体验。
这项研究首次从理论和实践证明AI模型可通过模仿生物睡眠-学习周期显著提升性能。研究发现AI训练中存在自发的"记忆-压缩循环",并据此开发了GAPT算法,在大语言模型预训练中实现4.8%性能提升和70%表示效率改善,在算术泛化任务中提升35%,为AI发展指出了注重信息整理而非单纯数据扩展的新方向。