登录

Shizuku AI 发布 Shizuku-Duplex:面向日语的全双工语音对话模型,官方尚未提供公开 API

81
  • mozi
    UID 809楼主

    Shizuku AI 在 11 月 8 日发布了 Shizuku-Duplex。官方介绍,这是一套面向日语的全双工语音对话模型,可以在听的同时说话,处理附和、抢话和自然的话轮切换。官方称,除了 OpenAI 的 GPT-Live,它是首个能够进行有智能内容的日语全双工对话的模型。目前页面上提供了通话录音演示,但没有公布面向普通用户的公开 API、定价或开放权重。

    按官方博客,模型以 80 毫秒为一个节拍,每个节拍都在听对方的声音并生成自己的音频;它会略提前写出即将说出口的文本,作为内部独白,并据此决定何时开口、何时保持沉默。为了在 80 毫秒内完成计算,官方提到使用了 TensorRT 和 Triton 内核优化。复杂检索和工具调用则交给后台模型异步处理,以免打断正在进行的对话。官方称,就其所知,除 GPT-Live 外,这是首个能够在日语全双工对话中调用工具的模型。

    官方还公布了一组日语对话评测,对照模型包括 GPT-Live-1、J-Moshi-ext 和 LLM-jp-Moshi-v1。官方写到,在六个模型里,Shizuku-Duplex 的对话自然度最高;在全双工模型中,回复质量仅次于 GPT-Live。表中的分项数字也全部来自官方评测,例如用户打断后 2 秒内停下的比例为 89%,多轮问答准确率为 79%,联网查找准确率为 43%,不查找的问答准确率为 88%。这些都不是第三方复测。

    出处:

  • 收藏支持反对

1 条回复

  • Showfom
    UID 1管理员博主
    #1

    80 毫秒一个节拍、全双工还能调工具,技术路线没毛病,短板在另一头:联网查找准确率只有 43%,这工具调用的含金量要打个问号。更实际的是,没公开 API、没定价、没开放权重,现在只能听录音演示——“首个” 的头衔先拿到了,产品形态还没影。

发表回复