Model suara besar di balik DingTalk, meraih grand slam "mendengar, berbicara, mengobrol"

Minggu ini, keluarga model besar suara Alibaba mencatatkan prestasi gemilang di platform penilaian AI global terkemuka, Artificial Analysis:

Fun-Realtime-ASR memimpin peringkat dunia dengan tingkat kesalahan kata yang sangat rendah sebesar 1,8%;

Fun-Realtime-AudioChat meraih dua gelar juara dalam indeks inferensi suara dan kelancaran percakapan;

Fun-Realtime-TTS-Preview menempati posisi pertama untuk produk buatan Tiongkok dengan skor penilaian Elo sebesar 1.190.

Sampai saat ini, pada tiga kategori utama yaitu ASR (pengenalan suara), TTS (sintesis suara), dan Chat (percakapan suara), model besar suara Alibaba berhasil menduduki peringkat pertama di Tiongkok, meraih "Grand Slam".

Cerdas berbasis suara telah menyatu secara mendalam ke dalam pengalaman produk DingTalk dan Wukong

Sebagai salah satu platform utama penerapan model besar Alibaba, kemampuan model besar suara diubah menjadi pengalaman produk yang dapat dirasakan pengguna melalui DingTalk dan Wukong. Pengguna dapat merasakan seluruh skenario cerdas berbasis suara—dari rapat online hingga diskusi tatap muka, dari pekerjaan berbasis teks hingga interaksi suara—melalui fitur seperti rapat DingTalk, AI Tingji (catatan audio pintar), pesan suara IM, serta perangkat keras seperti DingTalk A1 dan headphone cerdas Cleer, tanpa hambatan dalam memahami berbagai dialek lokal maupun istilah industri.

Model-model yang masuk peringkat kali ini akan secara bertahap terintegrasi ke dalam produk-produk tersebut, terus meningkatkan pengalaman pengguna dan efisiensi kerja.

Tiga kemampuan inti interaksi suara: mendengar dengan akurat, berbicara dengan baik, dan bercakap dengan lancar

Kemampuan model besar suara dapat dibagi menjadi tiga tingkatan: mendengar dengan akurat (ASR, konversi suara ke teks), berbicara dengan baik (TTS, konversi teks ke suara), dan bercakap dengan lancar (Chat, pemahaman dan percakapan berbasis suara end-to-end). Ketiganya saling bekerja sama membentuk pengalaman interaksi suara yang lengkap.

Tahun lalu, model besar Fun-ASR yang dikembangkan bersama oleh DingTalk dan Laboratorium Tongyi telah diterapkan secara luas dalam berbagai produk DingTalk.

Mendengar dengan akurat: menangkap rapat kompleks dan ekspresi profesional secara presisi

Dalam rapat DingTalk, menghadapi situasi rumit seperti diskusi multi-peserta, penyelaan cepat, dan penggunaan istilah teknis, Fun-ASR mampu mengidentifikasi isi pembicaraan secara akurat. Setelah rapat berakhir, sistem otomatis menghasilkan catatan rapat yang hampir "bebas kesalahan", tanpa perlu pencatatan manual.

Pada perangkat keras AI seri DingTalk A1 dan fitur AI Tingji, apakah itu wawancara, catatan kuliah, atau sesi brainstorming, cukup dengan satu klik rekaman, teks terstruktur berkualitas tinggi langsung dihasilkan. Dengan kemampuan inferensi suara, AI tidak hanya bisa "mendengar dengan jelas", tetapi juga "memahami", secara otomatis menarik ringkasan, menandai poin penting, dan mengatur daftar tugas.

Pesan suara IM dikonversi ke teks dengan satu klik, dukungan penuh untuk dialek dan aksen

Dalam pesan IM, pesan suara panjang hingga 60 detik dapat dikonversi menjadi teks hanya dengan satu klik, dengan tingkat akurasi sangat tinggi, serta dukungan penuh terhadap berbagai dialek, aksen, dan istilah industri.

Keragaman bahasa di Tiongkok merupakan tantangan besar bagi pengenalan suara. Berdasarkan model besar suara Alibaba, DingTalk dan Wukong kini telah mencakup delapan wilayah dialek utama: Mandarin, Wu, Kanton, Hokkien, Hakka, Gan, Xiang, dan Jin. Kemampuan pengenalan dialek untuk puluhan kota telah mencapai tingkat terdepan nasional, dengan akurasi pengenalan dialek utama melebihi 90%.

Baik Anda profesional keuangan yang menggunakan dialek Shanghai, pelaku bisnis perdagangan luar negeri berbahasa Kanton, atau staf lapangan yang berkomunikasi menggunakan dialek Sichuan, Henan, atau Shaanxi, DingTalk dapat "memahami" Anda.

Daftar peringkat Artificial Analysis menunjukkan bahwa tingkat kesalahan kata model ASR terbaru hanya 1,8%, yang akan semakin meningkatkan ketepatan subtitle real-time dan transkripsi rapat.

Berbicara dengan baik dan bercakap dengan lancar: percakapan alami dan respons cerdas

Interaksi suara tidak hanya membutuhkan "pendengaran akurat", tetapi juga "berbicara dengan baik" dan "bercakap dengan lancar". Pada perangkat seperti headphone cerdas Cleer, kombinasi kuat antara pengenalan dan sintesis suara membuat aktivitas seperti mendengarkan pesan, membalas secara lisan, dan memberikan perintah suara selama perjalanan komuter menjadi lebih lancar dan alami.

Fun-Realtime-TTS-Preview meraih peringkat pertama sintesis suara buatan Tiongkok berkat skor Elo 1.190, menjadikan suara AI lebih alami dan bernuansa hangat, serta meningkatkan pengalaman output suara pada produk DingTalk dan Wukong secara menyeluruh.

Fun-Realtime-AudioChat meraih dua gelar juara dunia dengan skor inferensi suara 97,6% dan kelancaran percakapan 97,8%. Model ini tidak hanya mampu memahami logika makna, tetapi juga menghadapi situasi percakapan nyata seperti penyelaan, pertanyaan lanjutan, dan perpindahan topik, sehingga kelancaran interaksi mendekati level manusia.

Penyesuaian mendalam terhadap model bahasa industri, benar-benar "memahami bahasa sektor"

Model umum sering gagal memahami istilah seperti "LPR", "klausul taruhan balik", "Gleevec", atau "tinjauan sipil ulang", sehingga masih berisiko tidak efektif dalam skenario profesional.

DingTalk dan tim suara Alibaba telah bekerja sama untuk melatih model yang mencakup kosakata lengkap dari industri utama dan sub-industri seperti internet, AI, keuangan, medis, hukum, otomotif, manufaktur, pendidikan, dan pemerintahan, serta melakukan penyesuaian mendalam terhadap model bahasa industri.

Di bidang keuangan, model dapat mengenali istilah seperti "reverse repo", "MLF", dan "peraturan baru manajemen aset" secara akurat, secara signifikan meningkatkan kualitas catatan rapat dan dokumentasi kepatuhan.

Di bidang medis, istilah kompleks seperti "metotreksat", "terapi target EGFR", dan "konsultasi multidisiplin MDT" kini bukan lagi celah informasi.

Di bidang hukum, mulai dari "keuntungan tidak sah" hingga "perolehan iktikad baik", isi sidang pengadilan dan wawancara pengacara dapat direproduksi secara akurat.

Di industri manufaktur, akurasi pengenalan istilah teknis seperti "toleransi dan pasangan", "proses CNC", dan "PPAP" meningkat tajam, sehingga efisiensi rapat produksi berlipat ganda.

Penyesuaian industri bukan sekadar menambahkan kamus, tetapi melakukan optimasi mendalam pada level model bahasa, agar algoritma benar-benar memahami konteks industri, membedakan homofon, mengenali singkatan, serta jargon sektoral, memastikan setiap interaksi suara benar-benar "menggunakan bahasa sektoral dan memahami praktik industri".

Suara adalah cara komunikasi paling alami. Dari "mendengar akurat" menuju "memahami", dari "bisa bicara" hingga "bisa bercakap", "Grand Slam" model besar suara Alibaba bukan hanya unggul secara teknologi, tetapi juga lompatan menyeluruh dalam pengalaman produk. DingTalk dan Wukong akan terus mengubah kemampuan AI suara terdepan dunia menjadi pengalaman kerja yang mudah diakses—menjadikan rapat lebih efisien, pencatatan lebih mudah, dan komunikasi melampaui batas bahasa dan dialek.

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at This email address is being protected from spambots. You need JavaScript enabled to view it.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!