和喜欢的虚拟人实时通话是一种什么样的体验？ 近日，社交平台Soul App（以下简称“Soul”）语音生成大模型上线，同时自研语音大模型“伶伦”正式升级，现阶段，Soul语音大模型“伶伦”包括了语音生成大模型、语音识别大模型、语音对话大模型、音乐生成大模型等，可支持真实音色生成、语音DIY、多语言切换、多情感拟真人实时对话等能力。目前，“伶伦”已应用于Soul “AI苟蛋”、站内狼人游戏“狼人魅影”AI语音实时互动、独立新产品“异世界回响”等场景。
Soul上线于2016年，依托技术和产品模式创新，平台持续推出受用户欢迎的社交玩法和多元社交场景，例如，多对多语音实时互动场景“群聊派对”、一对一互动场景“语音匹配”等，帮助用户基于兴趣相遇同好，提升关系发现的质量和效率，沉淀深度社交网络。 一直以来，声音都是传递信息和情感的重要媒介，也最能在沟通中赋予“情绪温度”和“陪伴感”。在Soul，用户积极通过语音实时互动，表达自我、分享交流，收获新关系，“语音社交”也成为平台颇具代表性的标签之一。 与此同时，作为率先将AI引入社交关系的平台，Soul不断思考如何将AI应用于社交具体场景，进一步实现交互效率、交互质量、交互体验、交互对象等多方面的提升和拓展。2020年，Soul系统启动AIGC的技术研发工作，并在智能对话、图像生成、语音技术、虚拟人等方面拥有前沿的技术积累。 其中，在语音探索方面，Soul基于平台沉淀丰富且多风格的高质量公域语音数据，推出自研语音大模型“伶伦”，在深度融入站内“AI苟蛋”等场景提供多模态互动体验外，还推出了系列趣味社交玩法和活动。 如Soul于2023年上线了“Soul次元歌手”活动，帮助每个人打造自己的AI歌手分身，让很多热爱音乐但不一定会唱歌的人，也能实现“唱歌自由”；“懒人KTV”活动则在音色克隆的基础上，创新性实现多人UGC“AI合唱”。基于音乐模型个性化的创作能力，平台的“AI帮你出灵魂专辑“活动，使用户自由输入任意作曲的主题关键词，即可一键完成词曲创作。 此次，新升级的“伶伦”在训练数据规模和模型架构上均实现了拓展和创新，实现了更真实自然、更多样性和更细颗粒度的控制效果以及流式超低延迟的生成。特别是上线的语音生成大模型在多风格多情感可控、超自然人声生成、多语言切换等方面表现出色。 具体来说，在多情感可控上，“伶伦”能够实现对情绪的深度理解和模拟，在语音生成和对话中表现出不同情感；在声音颗粒度上，支持包括吸气、喘气、笑声、结巴/重复、咳嗽 、叹气、哭声等一系列副语言语音合成，声音效果更真实生动。 值得一提的是，基于新升级的“伶伦”，Soul站内应用场景中多模态互动体验显著提升，例如狼人游戏“狼人魅影”中AI可实现实时发言，流畅完成刀人、悍跳等玩法交互。 此外，独立新产品“异世界回响”，提供多种场景、风格的虚拟人角色，每个虚拟角色具备形象、声音、人设对话能力，用户可与虚拟角色进行沉浸式即时交流。新上线的“语音通话”功能，在“伶伦”支持下，能够让用户体验与虚拟人实时语音通话效果，延迟时间少于行业平均水平，更快响应用户互动需求，提供即时的AI交流和陪伴。 根据Soul发布的《2024 Z世代AIGC态度报告》，三分之一的年轻人表示愿意和AI成为朋友，人机互动已然成为年轻人中的社交新趋势。大模型应用深入人机互动场景，发力语音、视觉等多维度，无疑将进一步提升用户社交体验。 当下，大模型竞赛的焦点正从模型参数延伸至具体应用场景。Soul App CTO陶明在接受媒体采访时表示，“新一轮AI发展中，关注场景和交互体验将会是必然的趋势。” 基于对社交场景的深刻理解，Soul将围绕用户的实际使用场景和核心社交需求，不断提升技术能力，从AI推荐关系到AI辅助对话，从降低表达门槛到提升互动体验，推进AIGC技术与社交场景的深度融合，实现AI原生社交场景创新。 |
