近日，豆包實(shí)時(shí)語音大模型正式推出，并在豆包App全量開放。作為一款語音理解和生成一體化的模型，豆包實(shí)時(shí)語音大模型實(shí)現(xiàn)了端到端語音對(duì)話。相比傳統(tǒng)級(jí)聯(lián)模式，該模型在語音表現(xiàn)力、控制力、情緒承接上有顯著提升，并具備低時(shí)延、對(duì)話中可隨時(shí)打斷等特性，語音表達(dá)接近真人水準(zhǔn)。

業(yè)內(nèi)人士表示，豆包實(shí)時(shí)語音大模型的發(fā)布，進(jìn)一步豐富了字節(jié)AI生態(tài)，看好字節(jié)AI在國內(nèi)的領(lǐng)先地位，未來發(fā)展?jié)摿善?。同時(shí)，情感陪伴和AI玩具產(chǎn)品有望伴隨語音類模型能力的強(qiáng)化，提升用戶交互體驗(yàn)。

事件驅(qū)動(dòng) 豆包實(shí)時(shí)語音大模型上線

1月20日，豆包實(shí)時(shí)語音大模型正式推出，并在豆包APP全量開放。模型實(shí)現(xiàn)了語音理解和生成一體化、端到端語音對(duì)話，主要面向中文語境和場(chǎng)景。根據(jù)豆包大模型團(tuán)隊(duì)公眾號(hào)，經(jīng)外部眾測(cè)，模型整體滿意度較GPT-4o有明顯優(yōu)勢(shì)，語音語氣自然度和情緒飽滿度高于GPT-4o。

該模型可理解輸入語言情緒、實(shí)時(shí)聯(lián)網(wǎng)，在輸出時(shí)具備強(qiáng)大聲音控制能力，且高度近似人類、有超低延遲、可隨時(shí)打斷。其真人級(jí)語音對(duì)話能力具體表現(xiàn)在以下方面：擬人化的情感承接，能夠理解用戶的內(nèi)容及情緒，并用恰當(dāng)?shù)恼Z氣做出回應(yīng);強(qiáng)大的聲音控制和豐富的情感演繹能力，能夠遵循豐富的復(fù)雜指令，配合不同的音色、情緒及狀態(tài)輸出，可以講故事、講方言和口音，甚至可以唱歌;智商與表現(xiàn)力之間的平衡，該模型的表現(xiàn)力高度接近真人，包括類人的語氣詞、停頓思考等，模型也有實(shí)時(shí)聯(lián)網(wǎng)功能，使其能夠根據(jù)問題，動(dòng)態(tài)獲取最新信息，對(duì)時(shí)效問題給到精準(zhǔn)、及時(shí)的回應(yīng);絲滑的交互體驗(yàn)和超低延遲，實(shí)現(xiàn)在更低系統(tǒng)時(shí)延情況下的生成準(zhǔn)確性、自然度，并且具有敏銳的語音打斷與用戶對(duì)話判停能力。

豆包團(tuán)隊(duì)圍繞擬人度、有用性、情商、通話穩(wěn)定性、對(duì)話流暢度等多個(gè)維度選取數(shù)十名外部測(cè)試者進(jìn)行考評(píng)，豆包實(shí)時(shí)語音大模型整體滿意度(以5分為滿分)得分為4.36，GPT-4o為3.18，超過半數(shù)的測(cè)試者對(duì)豆包模型表現(xiàn)打出滿分，且豆包模型在情緒理解和情感表達(dá)方面優(yōu)勢(shì)明顯，尤其在“一聽就是AI與否”的評(píng)測(cè)中被認(rèn)為AI的概率極低。

行業(yè)現(xiàn)狀 實(shí)時(shí)語音大模型豐富人工智能生態(tài)

目前，字節(jié)運(yùn)營(yíng)約20款A(yù)I應(yīng)用，在對(duì)話、助手、虛擬社交、圖像、視頻、智能體、辦公、社區(qū)、音樂、編程、教育、電商、硬件等幾乎全領(lǐng)域都有布局。根據(jù)AI產(chǎn)品榜數(shù)據(jù)，2024年12月，豆包MAU為7116萬，環(huán)比增長(zhǎng)18.64%。其海外版Cici的MAU達(dá)到1133萬，位列第26位。虛擬角色APP貓箱MAU為688萬，環(huán)比增速達(dá)50.18%。豆包實(shí)時(shí)語音大模型的推出有望進(jìn)一步賦能AI產(chǎn)品，推動(dòng)用戶增長(zhǎng)。豆包實(shí)時(shí)語音大模型可提供涵蓋從個(gè)人助手到行業(yè)解決方案的服務(wù)，并覆蓋家居、醫(yī)療、教育、金融等多個(gè)領(lǐng)域。

此外，AI情感陪伴能力提升，或?yàn)槎藗?cè)AI落地提供新的思路。據(jù)OpenAICEO奧特曼指出，通用人工智能(AGI)是指AI能夠像人一樣熟練完成重要工作的階段。OpenAI定義了AGI五個(gè)層級(jí)，依次為語言對(duì)話、邏輯推理、代理行動(dòng)、輔助創(chuàng)新、組織工作。豆包實(shí)時(shí)語音大模型更加 “人性化”，模型模擬人類情感、意識(shí)與價(jià)值觀，或意味著在通用人工智能(AGI)上取得了重要進(jìn)展。

除字節(jié)跳動(dòng)外，科大訊飛、百度、中國電信、趣丸科技等紛紛開發(fā)語音大模型，并在語音同傳、方言識(shí)別、語音合成等領(lǐng)域取得了豐富成果。在當(dāng)前及未來一段時(shí)間內(nèi)，高質(zhì)量語料，端到端架構(gòu)，跨領(lǐng)域識(shí)別，以及情感個(gè)性化等仍是語音大模型廠商發(fā)力的重要方向。

根據(jù)IDC數(shù)據(jù)，2024年全球人工智能資本開支有望達(dá)2350億美元，并預(yù)計(jì)2028年增長(zhǎng)至6320億美元，復(fù)合增速達(dá)29%。此外，生成式人工智能資本開支2024—2028年年均復(fù)合增長(zhǎng)率有望達(dá)59%，顯著高于其他人工智能技術(shù)的22%。

投資思路 關(guān)注端側(cè)應(yīng)用落地帶來的投資機(jī)會(huì)

廣發(fā)證券表示，豆包實(shí)時(shí)語音大模型的發(fā)布，進(jìn)一步豐富了字節(jié)AI生態(tài)，看好字節(jié)AI在國內(nèi)的領(lǐng)先地位，未來發(fā)展?jié)摿善?。同時(shí)，情感陪伴和AI玩具產(chǎn)品有望伴隨語音類模型能力的強(qiáng)化，提升用戶交互體驗(yàn)。建議關(guān)注與字節(jié)在AI領(lǐng)域具有合作基礎(chǔ)的公司，如易點(diǎn)天下、藍(lán)色光標(biāo)等;布局AI語音相關(guān)業(yè)務(wù)的公司，如盛天網(wǎng)絡(luò)(音樂社交類平臺(tái)“給麥”等)、昆侖萬維(AI音樂產(chǎn)品Melodio和Mureka)等;布局AI玩具的公司，如上海電影、奧飛娛樂等;行業(yè)層面來看，AI大模型能力提升、成本邊際下降，持續(xù)完善的AI基礎(chǔ)設(shè)施有望更好地賦能AI游戲、AI影視、AI營(yíng)銷、AI情感陪伴、AI教育、AIagent等場(chǎng)景。

華創(chuàng)證券認(rèn)為，大模型升級(jí)迭代與端側(cè)應(yīng)用落地將帶來投資機(jī)會(huì)。芯片關(guān)注海光信息、寒武紀(jì)、芯原股份、景嘉微;服務(wù)器關(guān)注中科曙光、浪潮信息、沃爾核材、歐陸通;數(shù)據(jù)中心關(guān)注潤(rùn)澤科技、寶信軟件、金山云、光環(huán)新網(wǎng);交換機(jī)關(guān)注銳捷網(wǎng)絡(luò)、紫光股份、光訊科技、華工科技等;數(shù)據(jù)關(guān)注海天瑞聲等;應(yīng)用關(guān)注科大訊飛、金山辦公、第四范式、同花順等;硬件關(guān)注恒玄科技、瑞芯微、移遠(yuǎn)通信、樂鑫科技、中科創(chuàng)達(dá)等。

浙商證券表示，AI有望用于陪伴老人兒童、可用于游戲公司為虛擬人物配音等。建議關(guān)注AI硬件相關(guān)公司中興通訊、潤(rùn)欣科技、樂鑫科技、兆易創(chuàng)新、移遠(yuǎn)通信、恒玄科技、國光電器;AI算力相關(guān)公司寒武紀(jì)、海光信息、潤(rùn)澤科技、光環(huán)新網(wǎng)、光迅股份、高瀾股份、英維克、歐陸通、云賽智聯(lián)、亞康股份、中科曙光、浪潮信息;AI應(yīng)用相關(guān)公司海天瑞聲、東軟集團(tuán)、慧博云通、視覺中國、漢得信息、中科創(chuàng)達(dá)。 宗禾