2026-08-08 | 이진석 기자

被打断也能听懂,还会表达情绪……“类人语音AI”崛起[闪光的商业]

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

个人用人工智能(AI)服务正在超越“掌上助理”,进化到像与人对话一样自然互动的阶段。尤其是语音AI,正摆脱单纯一问一答的被动形态,发展到能够理解用户情绪乃至主动提出建议的高级化趋势。为实现日益接近人类的语音AI,信息通信(IT)业界间的竞争也愈发激烈。

据IT业界8日消息,NAVER Cloud Corp.近日在自然语言处理领域最具权威的国际学术会议“ACL 2026”上发表了有关新语音AI技术“Sommelier”的研究论文。

NAVER集团公开全双工技术“Sommelier”……对话中的提问也能反映

“Sommelier”的特点是,设计上让AI与用户实时互动并持续展开对话。目前已商用化的大多数语音AI采用顺序方式运作,即在用户提问结束后作答,然后再等待下一轮。这与日常对话中若有需要修正之处或产生额外疑问时会说“稍等一下”打断对方并插话的方式有所不同。

像这样等到用户说完再作反应的技术被称为“半双工(Half-duplex)”方式。相反,Sommelier采用的“全双工(Full-duplex)”方式在一个模型中同时处理语音、视频和文本。由此,AI在输出回答的过程中也能实时听取用户的声音,判断其满意度或是否有追加提问,并反映到对话中。如果说原有的半双工方式接近对讲机式沟通,那么全双工方式即便被打断并抛出新问题,也能据此立即提供修正后的说明。

这种性能差异源于“训练数据”的处理方式。原有的半双工数据预处理方式将话音重叠的区间视为错误或杂音予以剔除,而Sommelier模型则将自然的附和与插话作为数据持续学习。由此强化了实时听取用户发言、必要时停止发言并给出契合新语境回答的能力。

NAVER Cloud Corp.计划将Sommelier技术逐步应用于目前正在进行技术验证(PoC)的工作助理智能体。NAVER Cloud Corp.相关人士说明称:“Sommelier的技术积累将成为目前正在筹备的全双工语音智能体数据集构建流程的基础”“今后技术进一步高级化后,可广泛应用于客户咨询、工作助理、实时口译等各类智能体服务。”

Kakao集团“Kanana-o”:语气、情绪乃至表达方式均可控制

Kakao集团正加快开发像人一样看、听、说的一体化多模态语言模型。近期完成更新的自研全能AI模型“Kanana-o”即为代表。Kanana-o超越“像人一样自然说话”的阶段,追求“以用户想要的方式和语调说话”的技术。也就是说,用户仅凭自然语言指令即可控制所需的语气、情绪乃至语调。

例如,用户可向AI下达“小声读出来”“慢一点说”“用低沉的声音回答”等音量、速度、音高方面的指令,或设定特定方言、职业群体、情绪线等具体条件。

要实现这样的语音生成能力,需要结合语音表现与指令执行学习这两项核心技术。Kakao集团(035720)为此自主开发了对语言模型友好的语音分词器“LM-SPT”并应用于Kanana-o。通过将语义信息与多样的声学特性一并表示为token,为语言模型直接生成和控制语音细节特性奠定了基础。

同时,为在准确反映各类发音指令的同时保持自然音质,公司引入在线强化学习对语音生成模块进行了高级化。其结果是,Kanana-o在评估发音指令执行能力的韩语基准“InstructTTSEval”中取得94.50分,超过了“GPT-4o-mini-tts(91.10分)”。Kakao集团计划继续推进技术高级化,以使笑声、叹息、感叹词等非语言表达也能自然实现。

Kakao集团代表郑信娥此前在二季度业绩发布电话会议上表示:“如果说移动时代的语法是在固定画面上按按钮的GUI(图形用户界面),那么AI时代正转向以语言沟通的AUI(语言用户界面)”“今后将把KakaoTalk内与AI的互动从单纯文本拓展为如同与真实同事对话的语音方式,实现多元化。”

OpenAI、谷歌等全球科技巨头也押注“类人语音AI”

全球科技巨头同样早早推出差异化的“类人语音AI”技术,正式展开较量。

OpenAI近日在ChatGPT上推出了更为进化的语音功能“GPT-Live”。原有语音AI服务采用一种“回合(turn)制”方式运作,只有在回答结束后才能继续提问,存在对话流程频繁中断的局限。尤其是对话中用户稍作停顿或陷入思考时,AI常常误认为提问已结束,给出不相干的回答。

相反,在应用GPT-Live的环境中,即便AI正在说话,用户也可以自由打断并抛出新问题。提问中夹杂“呃……”“嗯……”之类的语气词或犹豫,AI也能识别语境并维持对话状态。OpenAI将精细的端点检测(话语结束识别)与流式技术相结合,克服了原有顺序对话方式的局限。

谷歌的音频及语音模型“Gemini 3.1 Flash Live”同样反映了对话中断、犹豫等真实音频环境的特性,具备执行复杂指令并进行长期推理的能力。尤其能实时识别声音的音调、速度等细节声学特性,根据用户表达中的不满或困惑灵活调整应答语调。多语言处理能力也为标准配置,用韩语也可进行流畅无中断的对话。

业界预计,这类高级化的语音AI技术将被移植到智能眼镜、胸针式可穿戴设备、智能音箱、耳机等多种形态产品中,进一步扩大与用户的接触面。

阅读韩文原文