实时语音人工智能初创公司Deepgram正式推出了多语种语音识别模型"Flux Multilingual"。
本次发布的核心在于，该模型能够在一个通话中自动检测语言，即使对话中途从英语切换为西班牙语等其他语言，也能自然处理。对于运营全球客服中心和语音咨询服务的企业来说，这可以减少需要分别连接多个系统的复杂结构。
Deepgram将该模型介绍为与现有自动语音识别(ASR)不同的"对话式语音识别"模型。其设计重点并非单纯将语音转换为文字，而是更自然地理解实际对话的流程和话轮转换。Flux Multilingual通过单一模型和单一应用程序编程接口(API)支持英语、西班牙语、法语、德语、印地语、俄语、葡萄牙语、日语、意大利语、荷兰语等10种语言。
在此之前，在多个国家运营语音代理的企业必须分别拼接每种语言的转录模型、语言检测功能和路由逻辑。这种方式会加大响应延迟，并且容易在系统切换过程中产生错误。Deepgram强调，Flux Multilingual用一个识别模型取代了这种结构。开发者可以提供特定语言作为提示，系统也能实时自动检测。对话中混合使用的"代码切换"也得到基本支持。
在技术上，该模型应用了基于模型的语音结束检测，而非简单的"静音检测"。据称，它能更准确地判断对方是否说完话，在不到400毫秒内做出话轮结束决定。对于语音咨询或AI通话机器人而言，重要的不仅仅是单纯的准确度，还有"何时不打断、何时响应"，Deepgram认为这一点是其核心竞争力。
公司表示，在全部10种支持的语言中，该模型能提供单语言模型级别的准确度，并能自然处理对话中的打断或插话。它与现有的Flux API兼容，因此目前正在集成的开发公司可以相对容易地进行扩展。部署方式除了Deepgram的云API外，也支持自行托管，同时还提供欧盟(EU)端点及软件开发工具包(SDK)。
Deepgram联合创始人兼首席执行官(CEO)斯科特·斯蒂芬森表示："语音AI代理很快将成为全球企业与客户互动的基本方式。Flux Multilingual能让开发者通过'一个识别模型'来构建全球语音代理，并实现通话中的语言切换。"他还称："企业现在可以为任何市场、任何客户提供同样流畅的体验。"
据Deepgram称，目前有超过20万名开发者和1300多个组织使用其平台。服务范围涵盖语音转文字、文字转语音以及完整的语音对语音功能。公司表示，迄今为止已处理了超过5万年的音频总量，并转录了超过1万亿个单词。
Flux Multilingual现已正式投入使用。Deepgram还针对此次模型以及应用于Nova-3模型的流式语音转文字服务，推出了限时促销价格。这被解读为通过增加价格竞争力来加速市场渗透的策略。
Deepgram是一家获得风险投资的初创公司，累计融资约2.16亿美元，按1美元兑1486.80韩元汇率计算，约合3212亿韩元。今年1月，该公司完成了一轮1.3亿美元（约合1932.8亿韩元）的融资。主要投资方包括Madrona Venture Group、老虎环球管理公司、Wing Venture Capital、Y Combinator Management、英伟达($NVDA)、花旗风投、SAP、高盛资产管理等。
此次发布表明，语音AI市场正从单纯的转录竞争转向"实时对话质量"的竞争。尤其对于多语种客户服务至关重要的全球企业而言，这似乎是一个既能降低运营复杂度又能提升响应速度的选择。最终，胜负关键可能不在于准确度本身，而在于它在实际客户对话中能运行得多么"自然"。
TP AI注意事项 使用基于TokenPost.ai的语言模型对文章进行了摘要。正文的主要内容可能被遗漏或与事实不符。