亞馬遜 宣布推出全新基礎模型 Amazon Nova Sonic，將語音理解與語音生成統一於單一的模型中，使人工智慧應用服務的語音對話表現更貼近真人，並且透過Amazon Bedrock以API形式呼叫使用，可用於服務通話自動化服務，或是涵蓋旅遊、教育、醫療、娛樂等領域的跨產業人工智慧代理服務。

傳統語音應用開發需要同時協調多個模型，例如將語音轉為文字的語音識別模型，搭配理解且生成回應的大型語言模型，以及再將文字轉為音訊呈現的文本轉語音模型，不僅增加開發的複雜性，同時也難以保留自然對話中至關重要的聲音情境和細微差別，如語氣、語調韻律和說話風格等等。

而Nova Sonic 則是捨棄過往使用多個不同模型的設計，將理解與生成功能統一於單一模型中，讓模型能根據語氣、風格等聲音情境，以及口語輸入調整生成的語音回應表現更貼近自然對話語調。

Nova Sonic甚至能理解人類對話的細微變化，包括說話者的自然停頓與猶豫，能在恰當時機做出回應，並能從容應對對話中的插話情況。此模型同時會將語音內容生成文字檔，讓開發者能夠利用這些文本來調用特定工具與API，進而建構更豐富的語音人工智慧代理服務。

透過以下連結，可以感受透過Nova Sonic生成自然語調表現：

• AI agent for travel built on Amazon Nova Sonic

• Enterprise AI assistant built on Amazon Nova Sonic

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》