又一個接入大模型能力的組會神器實用工具，開啟免費公測啦！
背後大模型，是阿里的通義千問。至於為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，點開名為「通義聽悟」的插件，然後切換頁面。
你猜怎麼著？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了關鍵字、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助理。
不同於以往的錄音轉寫工具，它不僅能將錄音和影片轉化為文字。能一鍵總結全文不說，總結不同發言人觀點也能做到：
#甚至還能當即時字幕翻譯來用：
#看上去，不僅開組會好使，對於經常要處理一大堆錄音、熬夜跟各種國外發布會的量子位來說，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。
音訊內容的整理與分析，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處理這種中長音影片的速度很快，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，聽悟都能搞懂。
我們用同一段影片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”。
有趣的是，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辨識出來的「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」。
整體來說，中文的辨識對這些AI工具來說難度不大。那麼在英文材料面前，它們又會表現如何呢？
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。在馬斯克的回答中，除了拉里·佩奇的名字，聽悟基本上能正確辨識其他所有人。
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，翻譯品質也相當不錯。
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，例如把“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，在基礎能力語音辨識方面，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小時左右長影片的總結能力。
測試影片是一段40分鐘的圓桌討論，主題是中國AIGC新機會。參與圓桌討論的共有5人。
聽悟這邊，從轉寫完成到AI提取關鍵字、給予全文摘要，總共花了不到5分鐘的時間。
結果是醬嬸的：
#不僅給了關鍵字，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。
比較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，聽悟都能給予對應的發言總結。
同樣的題目拋給飛書妙記。目前，在內容總結方面，飛書妙記只能給出關鍵字。
會議紀要需要手動在轉寫文字上標示。
訊飛聽說他們正在內測一個基於星火認知大模型的產品，能夠分析文件內容，但需要填寫申請並排隊等待。 （有內測資格的夥伴歡迎分享體驗~）
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外掛功能。
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影片資料了。
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。 AI處理過的影音檔案將來可以在企業版本中快速內部分享。
聽悟官方也透露，接下來，聽悟還會持續上新大模型能力，例如直接抽取影片內的PPT截圖、針對音視頻內容可以直接向AI提問……
勤快一點的羊毛大師，存下100小時以上的免費時長不是夢（手排狗頭）。
背後技術：大語言模型語音SOTA
在去年年底，有一些量子位元讀者獲得了聽悟內測體驗卡，當時的版本已經包含了離線語音/視訊轉寫和即時轉寫的功能。
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。更具體地說，這項工作是建立在通義千問大模型的基礎上，將研究團隊在推理、對齊和對話問答等方面的研究成果整合在一起。
###首先，如何準確地抽取關鍵訊息，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年提出了一個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）。 The relevant paper will be published at top international conferences such as KDD2022 and SIGIR2023.。 #####################該框架的核心思路在於，探測大模型的內部知識，以思維鍊為載體進行知識流動和利用。 ######在一般常識推理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）名單上，Proton憑藉著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，為了確保摘要內容和格式符合使用者預期，在對齊方面，聽悟也用上了ELHF，即基於人類回饋的高效率對齊方法。 ######此方法僅需少量高品質人工回饋樣本，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%。 ###此外，悟背後的研發團隊也發布了中文超大規模文件對話資料集Doc2Bot。該團隊提升模型問答能力的Re3G方法，已入選ICASSP 2023：該方法透過Retrieve（檢索）、Rerank（重新排序）、Refine（精調）和Generate（生成）四個階段，能提升模型對使用者問題的理解、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。
背後的語音辨識模型Paraformer，來自阿里達摩院，首次在工業級應用層面解決了端到端辨識效果與效率兼顧的難題：
它不僅在推理效率方面比傳統模型提高了10倍，而且最初推出時還打破了多項權威資料集的記錄，刷新了語音識別的準確率SOTA。在專業第三方全網公有雲中文語音辨識評測SpeechIO TIOBE白盒測驗中，目前，Paraformer-large仍是準確率最高的中文語音辨識模式。
Paraformer是單輪非自迴歸模型，由編碼器、預測器、取樣器、解碼器和損失函數這五個部分組成。
透過預測器的創新設計，Paraformer實現了目標文字個數及對應聲學隱變數的精確預測。
另外，研究人員也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的取樣器，增強了模型對上下文語意的建模。
同時，Paraformer也使用了數萬小時、涵蓋豐富場景的超大規模工業資料集進行訓練，進一步提升了辨識準確率。
而準確的多人討論發言人區分，則得益於達摩院的CAM 說話者識別基礎模型。模型採用基於密集型連接的時延網路D-TDNN，每一層的輸入均由前面所有層的輸出拼接而成，這種層級特徵復用和時延網路的一維卷積，可以顯著提高網路的運算效率。
在業界主流的中英文測試集VoxCeleb和CN-Celeb上，CAM 均刷新了最優準確率。
根據中國科學技術資訊研究所報告，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，越來越智慧。
從一個斜杠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。
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，而技術創新已經成為了無可迴避的關鍵問題。
現有市場格局對於新型殺手級應用而言，已經到了重寫的機會時刻。誰能取得領先優勢，將取決於誰的技術準備更完備，誰的科技進化速度更快。
無論如何，技術開卷，終將是使用者受益。
以上是阿里雲大模型上新！ AI神器「通義聽悟」公測中：長影片一秒總結，還能自動做筆記、翻字幕 | 羊毛可薅的詳細內容。更多資訊請關注PHP中文網其他相關文章！
