Amazon は、新世代の生成 AI 音声モデルである NovaSonic を発表し、人工知能音声の分野で大きな進歩を遂げました。この革新的なモデルは、音声入力をネイティブに処理し、自然でスムーズな音声出力を生成できます。速度、音声認識精度、対話品質などの主要なパフォーマンス指標の点で、OpenAI や Google などのテクノロジー巨人の最先端の音声モデルに匹敵するレベルに達しています。

NovaSonic は、Amazon Bedrock 開発者プラットフォームを通じてサービスを提供し、革新的な双方向ストリーミング API インターフェイスを使用して、エンタープライズレベルの AI アプリケーション開発を強力にサポートします。Amazon は、このモデルが費用対効果の面で大きな利点があり、価格が OpenAI の GPT-4o よりも約 80% 安いことを特に強調しました。市場で最もコスト効率の高い AI 音声ソリューションと言えます。

競合する AI 音声モデルと比較して、NovaSonic はユーザー リクエストをさまざまな API にルーティングする点で優れています。この機能により、NovaSonic は、インターネットからリアルタイム情報を取得したり、独自のデータ ソースを解析したり、外部アプリケーションでアクションを実行したりする必要がある時期を認識し、タスクを完了するために適切なツールを使用できます。

双方向の会話では、NovaSonic は、話者の一時停止や中断を考慮して、話す「適切な瞬間」を待ちます。さらに、NovaSonic はユーザーの音声のテキスト レコードを生成することもでき、開発者はこれらのテキストをさまざまなアプリケーション シナリオに使用できます。

AmazonのAGI部門の主任研究員であるロヒト・プラサド氏は、NovaSonicの技術の一部がアップグレードされたデジタルアシスタントAlexa+に使用されていることを明らかにした。このモデルの立ち上げは、汎用人工知能 (AGI) を構築するという Amazon の戦略における重要なステップです。将来的には、画像、ビデオ、その他の物理世界の認識データをカバーする、マルチモーダルな理解をサポートする AI モデルも発売する予定です。