人类级别语音 AI 路线图丨 Voice AI 学习笔记

Ultravox 是一个开源多模态模型，专为实时人工智能对话而设计。他们最近分享了内部的语音 AI 路线图框架。

这幅路线图描绘了从基础助理到人类级别语音 AI 的五个阶段，展现了他们对于实现真正自然、富有表现力和影响力的对话交互的愿景。

人类级别语音 AI 路线图 ROADMAP TO HUMAN-LEVEL VOICE AI

关注 RTE 开发者社区公众号，后台回复「路线图」获取高清版本。

第一级：助理 Level 1: Assistant

助理系统较为基础，在听和说两种模式间切换，提供简单的信息和执行基本任务，类似于 Siri、Alexa 和谷歌助手等传统语音助手。它们不能维持上下文，也无法进行多轮对话。

第二级：对话者 Level 2: Conversationalist

对话者是基于大规模语言模型（LLM）的全双工系统，能够进行对话。初级对话者依赖于语音活动检测（VAD）、自动语音识别（ASR）和文本转语音（TTS）等独立组件，这些组件的效率问题可能会影响对话的流畅度和自然度。而高级对话者则采用集成的端到端方法，可以直接理解和生成语音，从而实现无缝、富有表现力且引人入胜的一对一互动。注：Ultravox 已超越初级对话者，但尚未达到我们定义的「高级」对话者水平。我们认为 GPT-4o Realtime 也处于类似阶段。

第三级：合作者 Level 3: Collaborator

合作者将对话式人工智能的能力扩展到群体环境，使人工智能能够与多个说话者有效互动。这类系统可以管理社交动态，为专业领域和现实生活应用创造巨大价值。作为团队中积极而有价值的成员，合作者能够有效促进团队协作，提高工作效率。

第四级：共情沟通者 Level 4: Empathic Communicator

共情沟通者能够深入理解情感、语气和社交环境等细微差别，并调整其表达方式，从而营造自然、引人入胜且富有同理心的互动。他们非常适合需要高情商以及在个人和职业场合建立良好人际关系的场景。

第五级：组织者 Level 5: Organize

r 组织者代表对话式人工智能的巅峰，能够在复杂的互动中引导、影响和激励他人。它们展现出卓越的战略思维能力，能够轻松驾驭群体动态，并以极具魅力和权威的方式进行沟通。

关注 RTE 开发者社区公众号，回复「路线图」获取高清版本。原文：https://www.ultravox.ai/blog/ultravox-an-open-weight-alternative-to-gpt-4o-realtime

汉化：RTE 开发者社区、林瑞丽、傅丰元

RTE 开发者社区持续关注 Voice AI 和语音驱动的下一代人机交互界面。如果你对此也有浓厚兴趣，也期待和更多开发者交流（每个月都有线上/线下 meetup，以及学习笔记分享），欢迎加入我们的社区微信群（加微信 Creators2022，注明身份和来意），一同探索人和 AI 的实时互动新范式。