Alibaba Tongyiは、エンタープライズグレードの音声基盤モデル「Tongyi Fun」を発表しました。Fun-ASRとFun-CosyVoiceで構成され、実世界のエンタープライズ環境における「理解から書き起こし、発話まで」のフルチェーン機能を実現することを目指しています。公式情報によると、Fun-ASRは数千万時間にも及ぶ実際の音声で学習されており、金融、テクノロジー、製造業などの業界用語やノイズの多いシナリオを網羅しています。Fun-CosyVoiceは、多言語・多音色合成とクロスリンガル音声クローニングを提供し、安定した韻律と自然な表現を重視しています。
エンジニアリング実装の面では、Tongyi Funはコンテキスト拡張とRAG検索を採用し、企業の知識と用語を認識・翻訳プロセスに統合することで、言語間の干渉やアーティファクトを削減します。実用的なニーズに対応するため、この製品は議事録、顧客サービスの品質管理、音声ボット、マルチメディアコンテンツ制作などをサポートしています。また、拡張可能なAPIとカスタマイズ可能なトレーニングパスを提供し、既存システムとの容易な統合を実現します。
よくある質問
Q: Tongyi Fun のコアコンポーネントは何ですか?
A: Fun-ASR（音声認識）とFun-CosyVoice（音声合成）で構成されており、それぞれ理解と生成を担当します。
Q: RAG を導入する理由は何ですか?
A: 企業のナレッジベースと用語集を検索することで、コンテキストを強化し、転写と翻訳の精度を高め、誤解や誤判断を減らすことができます。
Q: 言語とトーンのカバー範囲はどのくらいですか？
A: 複数の言語、複数の方言、さまざまな擬人化された音声をサポートし、話者の一貫性を維持するために言語間の音声複製を提供します。
Q: 適用可能なエンタープライズ シナリオは何ですか?
A: 会議の文字起こしと要約、顧客サービスの品質検査と音声ロボット、トレーニングとコンテンツ制作、コンプライアンスレビューなど。
Q: オープンソースまたはアクセス パスは提供されていますか?
A: CosyVoice などのコンポーネントはオープンソースで実装されており、エンタープライズレベルのアクセスとコンソールは Alibaba Cloud Tongyi 製品ページで提供されています。
