近日，云知聲正式對(duì)外發(fā)布“山海·知音”大模型2.0版本，標(biāo)志著企業(yè)在“一基兩翼”技術(shù)戰(zhàn)略布局上完成了關(guān)鍵拼圖，依托“山?！tlas”通用智算基座的強(qiáng)大支撐，實(shí)現(xiàn)了從感知到交互的全面進(jìn)化，旨在打造聽得清、說得真、懂人心的下一代智能交互體驗(yàn)。

作為本次升級(jí)的核心，“山?！ぶ簟?.0在語音識(shí)別（ASR）、語音合成（TTS）及端到端全雙工交互三大維度實(shí)現(xiàn)了技術(shù)突破。在語音識(shí)別層面，模型展現(xiàn)了極強(qiáng)的環(huán)境適應(yīng)性與專業(yè)理解力。測(cè)試數(shù)據(jù)顯示，在復(fù)雜噪音與方言口音場(chǎng)景下，其性能較主流ASR模型提升了2.5%至3.6%，復(fù)雜背景音下的識(shí)別準(zhǔn)確率業(yè)內(nèi)首次突破90%。更值得關(guān)注的是，該模型不再局限于“聽字”，而是進(jìn)化至“理解事”的層面，通過結(jié)合上下文與行業(yè)知識(shí)圖譜，在醫(yī)療、汽車等垂直場(chǎng)景的專業(yè)術(shù)語識(shí)別精度提升了30%。例如在醫(yī)療場(chǎng)景中，模型能對(duì)“依帕司他”等生僻藥名進(jìn)行定向增強(qiáng)識(shí)別；在通用場(chǎng)景下，支持30余種中文方言及14種國(guó)際語言的精準(zhǔn)轉(zhuǎn)寫，并融合視覺語義構(gòu)建視聽閉環(huán)，徹底打破了語言與環(huán)境的壁壘。

在語音合成（TTS）方面，“山?！ぶ簟?.0追求高度擬人化與情感溫度。系統(tǒng)支持12種方言及10種外語的合成，涵蓋粵語、四川話、日語、泰語等，并能細(xì)膩還原清嗓、笑聲、呼吸聲等細(xì)節(jié)。針對(duì)傳統(tǒng)大模型語音合成延遲高的痛點(diǎn)，云知聲創(chuàng)新研發(fā)了基于純因果注意力機(jī)制的流匹配模塊，并與神經(jīng)聲碼器聯(lián)合優(yōu)化，構(gòu)建了端到端純流式推理架構(gòu)。這一技術(shù)創(chuàng)新將首包延遲壓縮至90毫秒以內(nèi)，在保證播音級(jí)音質(zhì)的同時(shí)，實(shí)現(xiàn)了業(yè)界領(lǐng)先的實(shí)時(shí)交互水平，讓AI語音不再機(jī)械冰冷。

此外，端到端全雙工交互能力的引入，讓人機(jī)對(duì)話真正實(shí)現(xiàn)了“行云流水”。不同于傳統(tǒng)的一問一答模式，新模型支持隨時(shí)打斷、即時(shí)接話與連貫追問，能夠在流式收聲的同時(shí)同步完成理解、決策與生成。這種類似真人朋友間的自然交流體驗(yàn)，得益于“山?！tlas”智算基座對(duì)多模態(tài)大模型底座與基礎(chǔ)架構(gòu)的深度整合，將傳統(tǒng)的級(jí)聯(lián)模塊升級(jí)為統(tǒng)一的端到端大模型。

依托“山?！tlas”算力底座與垂直領(lǐng)域經(jīng)驗(yàn)，新模型在多模態(tài)感知及端到端交互上的突破，為醫(yī)療、汽車等行業(yè)提供了高自然度、低延遲的通用交互中樞。此次升級(jí)不僅推動(dòng)了人機(jī)交互從指令執(zhí)行向智能伙伴關(guān)系的演進(jìn)，更為智能體時(shí)代的產(chǎn)業(yè)落地提供了具備高可用性的技術(shù)范本。