亚马逊发布了新一代生成式AI 模型Nova Sonic ，该模型能够原生处理语音并生成自然的语音输出。亚马逊声称，在速度、语音识别和对话质量等基准测试中，Sonic 的表现可与OpenAI 和谷歌的顶尖语音模型相媲美。

Nova Sonic 是亚马逊对新一代AI 语音模型的回应，比如为ChatGPT 语音模式提供支持的模型，这些新模型比亚马逊Alexa 早期采用的更为僵化的模型更自然。最近的技术突破使得传统模型及其支持的数字助手（如Alexa 和苹果的Siri ）相比之下显得极其生硬。

Nova Sonic 通过亚马逊的企业AI 应用开发平台Bedrock 提供服务，采用新的双向流式API 。亚马逊在新闻稿中称，Nova Sonic 是市场上" 成本效益" 的AI 语音模型，其成本比OpenAI 的GPT-4o 低约80% 。

据亚马逊AGI 高级副总裁兼首席科学家Rohit Prasad 介绍，Nova Sonic 的部分组件已经在为升级版数字语音助手Alexa+ 提供支持。

Prasad 在接受TechCrunch 采访时表示，Nova Sonic 建立在亚马逊在" 大规模编排系统" （即构成Alexa 的技术框架）方面的专业知识之上。与竞争对手的AI 语音模型相比，Nova Sonic 在用户请求路由到不同API 方面表现出色。这种能力帮助Nova Sonic" 知道" 何时需要从互联网获取实时信息、解析专有数据源或在外部应用程序中采取行动，并使用适当的工具来完成这些任务。

亚马逊表示，在双向对话中，Nova Sonic 会在" 适当的时机" 说话，会考虑说话者的停顿和打断。它还能为用户的语音生成文本记录，开发者可将其用于各种应用。

据Prasad 介绍，Nova Sonic 的语音识别错误率低于其他AI 语音模型，这意味着即使用户说话含糊、口误或处于嘈杂环境中，该模型也能相对准确地理解用户意图。在衡量跨语言和方言的语音识别的多语言LibriSpeech 基准测试中，亚马逊表示Nova Sonic 在英语、法语、意大利语、德语和西班牙语的平均词错误率（WER ）仅为4.2% 。这意味着在这些语言中，模型识别的每100 个词中只有大约4 个词与人工转录不同。

在另一个测量多人大声交谈场景的基准测试（增强多方交互）中，亚马逊表示Nova Sonic 的WER 准确率比OpenAI 的GPT-4o-transcribe 模型高46.7% 。根据亚马逊的数据，Nova Sonic 还具有业界领先的速度，平均感知延迟为1.09 秒。根据Artificial Analysis 的基准测试，这比为OpenAI 实时API 提供支持的GPT-4o 模型（响应时间为1.18 秒）更快。

Prasad 表示，Nova Sonic 是亚马逊构建AGI （人工通用智能）更广泛战略的一部分，该公司将AGI 定义为" 能够完成人类在计算机上所能做的任何事情的AI 系统" 。展望未来，Prasad 表示亚马逊计划发布更多能够理解不同模态的AI 模型，包括图像、视频和语音，以及" 将事物带入物理世界时相关的其他感知数据" 。

由Prasad 监管的亚马逊AGI 部门似乎在公司的产品战略中发挥着越来越重要的作用。就在上周，亚马逊推出了Nova Act 预览版，这是一个浏览器操作AI 模型，似乎正为Alexa+ 和亚马逊的Buy for Me 功能提供支持。Prasad 表示，从Nova Sonic 开始，公司希望为开发者提供更多内部AI 模型用于构建应用。