PolyAIは7月30日（現地時間）、リアルタイム音声対話AIモデル「Dialogue-RSN-1」を発表した。音声を文字起こしせずに直接理解して応答する仕組みを採用し、電話応対での遅延を抑えながら、より人に近い自然な会話の実現を目指す。SiliconANGLEが報じた。
従来の音声AIは一般に、音声認識、テキスト生成、音声出力を段階的に処理する。これに対しDialogue-RSN-1は、音声認識と応答生成をモデル内部で統合し、音声出力のみを別モジュールとして切り分けた。
同社によると、この構成により、従来の前処理中心の方式では捉えにくかった抑揚や話し方のリズム、会話の文脈をより精緻に把握できるよう設計したという。
Dialogue-RSN-1は、文字起こしされたテキストではなく音声そのものを解釈する。このため、不明瞭な発音の語句や、文脈に応じて意味を区別する必要がある表現も、より適切に処理できると同社は説明した。
例えば、「Matthew、Tが2つ」のようにスペルの一部を読み上げるケースや、「Audibel」のように一般語と聞き間違えやすいブランド名でも、文脈に応じて識別できるとしている。
応答速度も強みとして打ち出した。PolyAIによると、Dialogue-RSN-1の遅延は280〜500ミリ秒で、300ミリ秒以内で応答できるケースもあるという。
比較対象として挙げたOpenAI「GPT Realtime 2.1」については、860〜1900ミリ秒程度の水準だとしている。
著者について
Chi-gyu Hwang
delight@d-today.co.kr