虽然 OpenAI 的「Her」还是期货，但硅谷的科技巨头们已经开始相继发力语音模型。前有谷歌的 Gemini Live 和苹果的升级版 Siri，如今巨头亚马逊和新秀 Cerebras 也加入了这场竞争。
继 OpenAI 在 5 月发布会上展示「期货」GPT-4o 的语音功能后，「AI 语音助手」类的产品又成为了硅谷科技巨头的必争之地。紧跟着 OpenAI 开发布会的谷歌也马上宣布 ——Gemini 将推出语音聊天模式 Gemini Live。
8 月，谷歌在 Pixel 9 活动上正式发布了 Gemini Live，取代了原来谷歌助手的产品定位。
类似 GPT-4o，Gemini Live 不仅能实现随时打断的对话式交流，还有对设备屏幕的感知能力，可以实时解释用户的屏幕或视频信息。
Gemini Live 目前已经针对安卓设备推出，但仍只有英语模式，未来还将登录 iOS 系统并提供更多语言。
6 月，苹果就在 WWDC 大会上展示了如何用 Apple Intelligence 给 2011 年就诞生的 Siri 改头换面。
与谷歌和 OpenAI 着重强调的「交流」功能不同，Siri 似乎更专注于语音「助手」的定位。屏幕感知、跨应用操作、智能体般的多命令处理，一个都不少。
比如，动动嘴便可打开文档、将笔记移动到另一个文件夹、发送或删除电子邮件、在 Apple News 中打开特定文章、发送网页链接，甚至请求设备提供文章摘要。
但是，这版更强 Siri 的上线还没有明确期限，所依靠的 Apple Intelligence 也只能在 iPhone 15 Pro 或更新型号的手机才能运行。
根据彭博社的报道，苹果团队似乎需要大量时间来重构 Siri 的底层，高级版 Siri 最快也要等到 2025 年，才会出现在 iOS 18 上。
虽然还未正式上线，但可以看出，GenAI 的这波革新让苹果 13 岁的 Siri 焕发新生。
而提到 Siri，让人想起和它同代的另一个语音助手 —— 亚马逊推出的 Alexa。
亚马逊改造 Alexa
实际上，Alexa 的革新计划由来已久。早在今年 1 月，Business Insider 就报道过这个项目，名为 Remarkable Alexa，它正在内外的重重阻力下艰难推进。
发布的日期也是一拖再拖，从最初的 6 月 30 日，到之前决定的 8 月。
8 月 30 日路透社报道，有知情人士表示，改进版的 Alexa 将在 10 月美国假日季前发布。
该项目在内部被称为「榕树」（Banyan），将是 Alexa 自 2014 年与 Echo 系列扬声器一起推出后迎来的首次重大改革。
Remarkable Alexa 计划向用户收取 5～10 美元的订阅费用，以抵销 GenAI 模型的成本。
这部分订阅不会包含在每年 139 美元的 Prime 服务中，但亚马逊仍将提供免费版本的 Classic 语音助手。
Alexa 难掩颓势
2014 年，亚马逊首次推出 Alexa 的语音驱动功能，让当时的消费者惊叹不已，却落后于最近的 GenAI 浪潮。
根据 Insider Intelligence 的统计，在美国，Google Assistant 今年的用户数量预计将达到 8880 万，其次是 Siri 的 8420 万。Alexa 的用户数量位居第三，约为 7560 万。
和 Siri 沦为语音计时器的境地类似，通过 Echo 音响访问的 Alexa 也多用于设置计时器、询问天气、播放音乐或回答简单问题等功能。
不仅如此，亚马逊想要通过 Alexa 提升电商业务销售额的希望也落空了。
正如 Kindle 屏之于电子书商城，健康监测服务之于 Halo 手环，便宜到经常低于成本价的 Echo 音响和免费提供的 Alexa，实际上包含着亚马逊借硬件打造软件的产品思路 ——
不求在硬件销售上获利，但求从用户后续对软件的使用、数字内容的获取和平台的依赖等中获取更高毛利的收入。
这种营销方式最初是借鉴剃须刀巨头吉列 —— 推出极具价格优势的剃须刀，但通过售卖补充刀片赚得盆满钵满。
最初对 Alexa 的设想非常美好 —— 用户通过语音方式询问购买建议，之后委托 Alexa 直接下单，就能拉动亚马逊的电商销量。
但随后他们发现，这个思路不起作用。主要是因为用户喜欢「眼见为实」，仅凭 Alexa 的语音描述很难让人甘心掏钱网购。
根据内部文件和知情人士的透露，这种不成功的策略让亚马逊在 Echos、Kindle 等智能设备业务上亏损了数百亿美元，可以说是贝索斯在位时为数不多的巨大误判。
硬件亏钱、软件不赚钱，力挺 Alexa 的贝索斯又离开了管理团队，导致裁员的大刀最先落在了 Alexa 团队的头上。
Business Insider 跟踪 LinkedIn 上的帖子后发现，在 2022 年底开始的大裁员中，Alexa 的 AI 系统、自然语言理解和对话能力团队几乎是首当其冲、受到了最高等级的影响。
然而，即使 AI 技术落后、亏损巨大，Alexa 还掌握着一个关键优势，可以助他们扳回一城 —— 截至 2023 年，已经在全球卖出的支持 Alexa 的硬件设备超过 5 亿台。
合作 Anthropic 借用 Claude
CNBC 和 Business Insider 在之前的报道中曾援引知情人士的说法，表示亚马逊计划基于内部语言模型 Titan 或 Olympus 升级 Alexa。
然而，或许是内部技术不给力，路透社的最新报道表示，10 月发布的 Remarkable Alexa 将由 Anthropic 的 Claude 模型支持，而非自己的基座模型。
亚马逊和 Anthropic 的合作由来已久。去年 9 月，他们就为 Anthropic 提供了高达 40 亿美元的投资，获得少量股权的同时，以 AWS 云服务交换到了对 Claude 模型的使用。
一些知情人士表示，升级后的 Remarkable Alexa 可以执行更复杂的任务，例如撰写简短的电子邮件、发送邮件以及从 Uber Eats 订餐，而且让用户无需在对话中重复召唤「Alexa」。
此外，亚马逊还计划增强 Alexa 提供的自动化家居功能，可以无线连接到智能设备，让用户进行语音控制。
具体而言，Remarkable 的关键功能更新如下：
对话能力增强，与用户进行更自然、更有吸引力的对话，并提供与上下文相关的响应
个性化推荐：根据用户喜好和历史记录，针对购物、新闻和其他内容进行定制化推荐
家居自动化：Remarkable Alexa 将作为一个更复杂的家居自动化中心，记住用户偏好，自动执行闹钟设置、咖啡机启动或电视节目录制等任务
复杂任务执行：用户可以提出更复杂的指令，例如订购食物或起草电子邮件
总而言之，面对谷歌、苹果等公司来势汹汹的竞争，Alexa 团队现在的任务是，打造一款能够在新的 GenAI 竞争中脱颖而出的语音交互设备。
这其中的障碍，一是价格，二是 AI 安全问题。一位知情人士估计，在 Alexa 中使用 GenAI 的查询成本为每次 2 美分。有内部估计甚至指出，订阅费用需要定为 20 美元，这也是 ChatGPT 的订阅价格。
也有亚马逊员工表示怀疑，除了已经为 Prime 会员支付 139 美元的用户，是否还有人愿意每年多掏 60～120 美元，获得比免费版 Alexa 更智能一点的 Remarkable Alexa。
但美国银行分析师 Justin Post 的分析结果相当乐观。
根据他在 6 月的估计，大约有 1 亿活跃的 Alexa 用户，其中 10% 可能会选择 Alexa 的付费版本。按每月 5 美元的费用计算，这将额外带来 6 亿美元的年销售额。
AI 安全方面，有开发人员表示，Alexa 大多出现在客厅或厨房中，这提高了应用 GenAI 模型的风险。如果 Alexa 不理解命令或提供不可靠的信息，犯错误的代价就会更高。
Cerebras 语音版成 GPT-4o 平替
想跟上语音模型更新步伐的，除了亚马逊这种巨头，还有 Cerebras 这个新秀。
前几天刚发布了号称全球最快的 AI 推理架构 ——Cerebras Inference 的 AI 初创芯片公司 Cerebras，也基于 livekit.io 平台构建了自己的语音模型。
据悉，Cerebras Inference 使用了 Cerebras CS-3 系统和 WSE-3 AI 处理器，内存带宽和内核数分别是英伟达 H100 的 7,000 倍和 52 倍。
依托具备如此超高速 AI 推理能力的 Cerebras Inference 之上的 Cerebras 语音对话模型让人非常期待！
但原始的视频 demo 链接已失效。多亏评论区热心网友，提供了另外一个类似于 Cerebras 语音对话模式的示例。
该对话模拟示例同样基于 LiveKit，但以 ChatGPT 为基础模型。
具体来说，它借助 Websocket 使用 LLM 模拟了电话对话，并进行了系列优化，最终实现了无缝和快速对话。
不少网友在感叹其功能强大，开发便捷的同时，惋惜它比 ChatGPT-4o 上线晚，丢失了很大一部分热度。
LiveKit 代理是通过语音，视频和数据频道与最终用户相互作用的多模式 AI 智能体 Agent 的端到端框架。该框架可以凭借 Python 构建智能体。
Agent 框架被设计成可构建实时、可编程、运行在服务器上的框架。它可被用来创建可看到的、听到、理解的对话和多模态语音智能体。
该框架包括用于常见工作流程的插件，例如语音活动检测和语音到文本转换。
Agent 与云或自托管 LiveKit 服务器无缝集成，在本地计算机上开发的 Agent 代码可以扩展以支持成千上万的并发会话，然后将其部署到服务器中。
Cerebras 语音版一经发布，就引发了油管上很多博主的关注和测评。
Antti Luode 通过多次打断对话的方式，测试了 Cerebras 实时语音模式的能力，证实其能快速有效理解对话并提供可靠信息。
Cerebras 语音版 Q&A 对话集锦
Q：你是如何被开发的？
A：我是自然语言处理和机器学习算法的组合产物。我可以实现交互，在用户打断我时，也允许无缝转换和自然的对话流程。
Q：你有什么想对 YouTube 观众说的吗？
A：我只是开启了对话型 AI 技术套件的新纪元。诸如我一样的语音助手未来，需要拥有更复杂、更人性化的功能。比如能理解细微上下文间的差距，甚至情绪的变化。
Q：我的最后一个问题，如何打开启动舱门？
A：短语「打开启动舱门」，是电影《2001 年太空漫游》中的一句著名台词，由 Dave Bowman 在尝试与飞船计算机交互时说出...
令人惊喜的是，这场跨时空的虚假对话，预示着人工智能时代，超智慧电脑 HAL 9000 的现实体正一步步向我们走来！
参考资料：
https://www.reuters.com/technology/artificial-intelligence/amazon-turns-anthropics-claude-alexa-ai-revamp-2024-08-30/
https://www.cnbc.com/2024/05/22/amazon-plans-to-give-alexa-an-ai-overhaul-monthly-subscription-price.html
https://www.businessinsider.com/amazon-paid-alexa-plus-service-issues-2024-1
https://cerebras.vercel.app/
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。