來源：量子位 作者：魚羊
又一個接入大模型能力的組會神器，開啓免費公測啦！
背後大模型，是阿里的通義千問。至於爲什麼說是組會神器嘛——
注意看，這是我的B站導師李沐老師，他正在帶同學們精讀一篇大模型論文。
不巧就在這時，老闆催我抓緊搬磚。我只好默默摘下耳機，點開名爲“通義聽悟”的插件，然後切換頁面。
你猜怎麼着？雖然我人不在“組會”現場，但聽悟已經幫我完整記錄下了組會內容。
甚至還幫我一鍵總結出了關鍵詞、全文摘要和學習要點。
簡單來說，這個剛剛接入大模型能力的“通義聽悟”，是一個大模型版的聚焦音視頻內容的工作學習AI助手。
跟以往的錄音轉寫工具不同，它不只是能把錄音、視頻轉成文字這麼簡單。能一鍵總結全文不說，總結不同發言人觀點也能做到：
甚至還能當實時字幕翻譯來用：
看上去，不僅開組會好使，對於經常要處理一大堆錄音、熬夜跟各種國外發佈會的量子位來說，也實屬日常工作新神器。
我們趕緊第一時間深入測試了一波。
通義聽悟上手實測
音頻內容的整理和分析，最基礎也是最重要的，就是轉寫的準確性。
Round 1，我們先上傳一個時長在10分鐘左右的中文視頻，看看聽悟與同類工具相比，在準確性方面表現如何。
基本上，AI處理這種中等長度音視頻的速度很快，大概不到2分鐘就能轉寫完成。
先來看看聽悟的表現：
在這個200字左右的段落中，聽悟只出現了兩處錯誤：強 → 牆，都好處 → 恰到好處。像原子核、電荷、斥力這些物理名詞，聽悟都能弄明白。
我們用同一段視頻在飛書妙記上也進行了測試。基本問題也不大，但相比聽悟，飛書多了兩處錯誤，把其中一處“原子”寫成了“園子”，把“斥力”聽成了“勢力”。
有意思的是，聽悟犯的錯，飛書也一比一復刻了。看來這口鍋還得量子位某說話吞字的up主來背（手動狗頭）。
訊飛聽見，倒是分辨出了前兩位選手沒有識別出來的“恰到好處”。但訊飛聽見基本上把“牆”全部都轉寫成了“強”，還出現了“強的糖粒”這種神奇的搭配。另外，三位選手中，只有訊飛聽見把“電磁力”聽成了“電子力”。
總體來說，中文的識別對這些AI工具來說難度不大。那麼在英文材料面前，它們又會表現如何？
我們上傳了一段馬斯克的最新訪談，內容是他與OpenAI過去的恩怨糾葛。
還是先來看聽悟給出的結果。在馬斯克的這一段回答中，聽悟沒有分辨出拉里·佩奇的名字，除此之外基本都能識別正確。
值得一提的是，聽悟能夠直接將英文轉寫結果翻譯成中文，並將雙語對照顯示，翻譯質量也相當不錯。
飛書妙記則成功聽出了拉里·佩奇的名字，不過和聽悟一樣，由於馬斯克整體語速較快並且有一些口語化的表達，存在一些小錯誤，比如把“stay at his house”寫成了“say this house”。
訊飛聽見這邊，人名、連讀細節處理得都不錯，不過同樣存在被馬斯克的口語化表達誤導的情況，比如把“long into the evening”當成了“longing to the evening”。
如此看來，在基礎能力語音識別方面，AI工具們都已經達到了很高的準確率，在極高的效率面前，一些小問題已經瑕不掩瑜。
那麼，我們將難度再升一級，Round 2，來測試測試它們對1小時左右長視頻的總結能力。
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。
聽悟這邊，從轉寫完成到AI提取關鍵詞、給出全文摘要，一共花了不到5分鐘的時間。
結果是醬嬸的：
不僅給出了關鍵詞，圓桌討論的內容也總結得很到位，並且還給視頻劃分了關鍵點。
對比人類編輯摘錄的話題要點，我嗅到了一絲危機……
值得一提的是，針對不同嘉賓的發言，聽悟都能給出對應的發言總結。
同樣的題目拋給飛書妙記。目前，在內容總結方面，飛書妙記還只能給出關鍵詞。
會議紀要需要手動在轉寫文字上標註。
訊飛聽見基於星火認知大模型，也有能夠分析文件內容的產品正在內測，不過需要填寫申請，排隊等待。
在基礎的訊飛聽見中，目前沒有類似的總結功能。
看來這一輪測試：
不過要說在本次實測中，通義聽悟最令人感覺驚喜的，其實是一個“小”設計：
Chrome插件功能。
無論是看英文視頻，看直播，還是上課開會，點開聽悟插件，就能實現音視頻的實時轉錄和翻譯。
就像開頭所展示的那樣，拿來當實時字幕用，延遲低，翻譯快，還有雙語對照功能，同時，錄音和轉寫文字都能一鍵保存下來，方便後續使用。
媽媽再也不用擔心我啃不下來英文視頻資料了。
另外，我還有個大膽的想法……
開組會的時候打開聽悟，開會兒小差再也不用怕被導師突然抽查了。
目前，聽悟已經和阿里雲盤打通，存放在雲盤中的音視頻內容可以一鍵轉寫，在線播放雲盤視頻時還能自動顯示字幕。並且在企業版本中，AI整理後的音視頻文件將來還可以在內部快速分享。
聽悟官方還透露，接下來，聽悟還會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……
背後技術：大語言模型+語音SOTA
其實，在公測之前，通義聽悟就已經在阿里內部精心打磨過了。
去年年底，也有網友拿到了聽悟內測體驗卡，當時版本中，已經有離線語音/視頻轉寫和實時轉寫的功能。
這次公測，聽悟主要是接入了通義千問大模型的摘要及對話能力。具體而言，是以通義千問大模型爲基座，融合了研發團隊在推理、對齊和對話問答等方面的研究成果。
首先，如何準確抽取關鍵信息，是這類神器提升工作效率的關鍵。這就需要藉助大模型的推理能力。
阿里AI團隊在2022年提出了基於大語言模型的知識探測與推理利用框架Proton（Probing Turning from Large Language Models）。相關論文發表在KDD2022和SIGIR2023等國際頂會上。
該框架的核心思路在於，探測大模型的內部知識，以思維鏈爲載體進行知識流動和利用。
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曾先後取得第一。
在TabFact（事實驗證）榜單上，Proton憑藉知識分解和可信思維鏈技術，首次實現了超越人類的效果。
其次，爲了確保摘要內容和格式符合用戶預期，在對齊方面，聽悟還用上了ELHF，即基於人類反饋的高效對齊方法。
該方法僅需少量高質量人工反饋樣本，就能實現對齊。在模型效果主觀評測中，ELHF能使模型勝率提高20%。
在此之外，聽悟背後的研發團隊，還發布了首箇中文超大規模文檔對話數據集Doc2Bot。該團隊提升模型問答能力的Re3G方法，已經入選ICASSP 2023：該方法通過Retrieve（檢索）、Rerank（重排序）、Refine（精調）和Generate（生成）四個階段，能提升模型對用戶問題的理解、知識檢索和回覆生成能力，在Doc2Dial和Multi Doc2Dial兩大文檔對話榜單中取得第一。
除了大模型能力，聽悟還是阿里語音技術的集大成者。
其背後的語音識別模型Paraformer，來自阿里達摩院，首次在工業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，剛推出時還“屠榜”多個權威數據集，刷新語音識別準確率SOTA。在專業第三方全網公共雲中文語音識別評測SpeechIO TIOBE白盒測試中，目前，Paraformer-large仍是準確率最高的中文語音識別模型。
Paraformer是單輪非自回歸模型，由編碼器、預測器、採樣器、解碼器和損失函數這五個部分組成。
通過對預測器的創新設計，Paraformer實現了對目標文字個數及對應聲學隱變量的精準預測。
另外，研究人員還引入了機器翻譯領域中瀏覽語言模型（GLM）的思路，設計了基於GLM的採樣器，增強了模型對上下文語義的建模。
同時，Paraformer還使用了數萬小時、覆蓋豐富場景的超大規模工業數據集進行訓練，進一步提升了識別準確率。
而準確的多人討論發言人區分，則得益於達摩院的CAM++說話人識別基礎模型。該模型採用基於密集型連接的時延網絡D-TDNN，每一層的輸入均由前面所有層的輸出拼接而成，這種層級特徵複用和時延網絡的一維卷積，可以顯著提高網絡的計算效率。
在行業主流的中英文測試集VoxCeleb和CN-Celeb上，CAM++均刷新了最優準確率。
大模型開卷，用戶受益
據中國科學技術信息研究所報告，據不完全統計，目前國內已經發布了79個大模型。
這種大模型開卷的趨勢下，AI應用進化的速度再次進入到一個衝刺階段。
站在用戶的角度來說，喜聞樂見的局面正逐步形成：
大模型的“統籌”之下，各種AI技術開始在應用側百花齊放，使得工具越來越高效，越來越智能。
從一個斜槓就能幫你自動寫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，正在讓越來越多的人感受到AI的魔力。
與此同時，對於科技企業來說，新的挑戰和新的機會，無疑也已經出現。
挑戰是，所有產品都將被大模型的風暴席捲，技術創新已經成爲了無可迴避的關鍵問題。
機會是，對於新的殺手級應用而言，重寫市場格局的時間點已經到來。而誰能拔得頭籌，就要看誰的技術準備更充分，誰的技術進化速度更快了。
無論如何，技術開卷，終將是用戶受益。
編輯/lambor