OpenAI与微软推出全新语音模型

快速阅读: OpenAI和微软发布新语音AI模型，OpenAI的gpt-realtime更自然流畅，支持中途变声，微软MAI-Voice-1硬件效率高，可在单GPU上快速生成音频。

OpenAI 和微软公司今日发布了两款优化用于生成语音的人工智能模型。

OpenAI 的新算法 gpt-realtime 被描述为其最强大的语音模型。这款 AI 产生的语音比 ChatGPT 开发者的早期同类产品更加自然，并且能够在句子中途改变语气和语言。

OpenAI 表示，gpt-realtime 特别擅长遵循指令。这使得开发人员可以在应用程序中定制模型以完成特定任务。例如，构建技术支持助手的软件团队可以指示 gpt-realtime 在某些提示响应中引用知识库文章。

针对技术支援用途的开发人员还可以访问新的图像上传工具。利用此功能，客户服务聊天机器人可以允许用户上传故障应用程序的截图以进行故障排除。OpenAI 还预见客户将此功能应用于各种其他任务。

开发人员可以通过 OpenAI 实时 API 访问 gpt-realtime。这是一个让客户与 ChatGPT 开发者的语音和多模态模型互动的应用程序编程接口。作为此次产品更新的一部分，OpenAI 将 API 推广至全面可用，并增加了一些新功能。

“现在您可以在实时 API 会话中保存并重用由开发者消息、工具、变量和示例用户/助手消息组成的提示。”OpenAI 研究人员在博客文章中详细说明。

微软在 gpt-realtime 发布的同时介绍了名为 MAI-Voice-1 的语音 AI 模型。该模型最初将在微软的 Copilot 助手中提供。据微软称，该模型支持的功能包括总结天气预报等更新以及从文本生成播客。

微软表示，MAI-Voice-1 是业内硬件效率最高的语音模型之一。它可以在不到一秒的时间内使用单个图形处理器生成一分钟的音频。微软未提供额外信息，如用于测量模型单芯片性能的具体 GPU。

微软还分享了关于今天推出的第二款新 AI 模型 MAI-1-preview 的更多细节。该公司使用 15,000 个英伟达 H100 加速器训练了该算法。H100 是英伟达 2022 年推出的数据中心旗舰图形卡。

与微软的新语音模型一样，MAI-1-preview 也经过了优化以提高效率。神经网络通常在处理提示时激活所有参数或配置设置，而 MAI-1-preview 采用专家混合架构，允许其仅激活部分参数，从而显著降低硬件使用率。

发布时，MAI-1-preview 通过 API 向有限数量的测试者开放，并将在未来几周内集成到微软 Copilot 中。

微软暗示计划在未来几个月内推出改进版的 MAI-1-preview。即将推出的模型将使用 GB200 设备集群进行训练。每个系统结合了 72 个 Blackwell B200 芯片——英伟达最新最先进的数据中心 GPU——和 36 个中央处理器。

“我们不仅将继续追求这一领域的进一步进展，而且我们认为协调一系列服务于不同用户意图和使用场景的专业模型将释放巨大价值。”微软 AI 团队的研究人员在博客文章中写道。

(以上内容均由Ai生成)