近日，社交平台Soul App（以下简称“Soul”）语音大模型再次升级，上线自研端到端全双工语音通话大模型，具备超低交互延迟、快速自动打断、超真实声音表达和情绪感知理解能力等特点，能够直接理解丰富的声音世界，支持超拟人化的多风格语言，实现更接近生活日常的交互对话和“类真人”的情感陪伴体验。目前，Soul自研的端到端语音通话大模型能力已上线旗下“异世界回响”实时通话场景（内测中），并将在后续拓展至AI苟蛋等多个AI陪伴、AI互动场景。
自2016年上线，Soul一直致力于以创新的技术方案和产品设计，实现社交体验的拓展。2020年，Soul启动对AIGC的技术研发工作，系统推进在智能对话、语音技术、虚拟人等AIGC关键技术能力研发工作，并推动AI能力在社交场景的深度落地。
以AI升级社交的过程中，Soul的技术重点之一是致力于实现拟人化、自然化情感陪伴体验。其中，声音是重要环节之一。作为传递信息和情感的重要媒介，声音最能在沟通中赋予“情绪温度”和“陪伴感”。特别是在社交场景中，情感化、低延迟、多风格、类真实的声音能力，可以打破“次元壁”，让线上社交尤其是人机互动中，也能实现真实生活场景聊天的自然流畅感和沉浸现场感，真正完成类现实生活化互动场景中的交互体验。
因此，为给用户带来更好的情绪反馈和陪伴感，情绪理解、延迟问题一直是Soul技术团队关注的焦点。
此前，Soul团队推出了自研的语音生成大模型、语音识别大模型、语音对话大模型、音乐生成大模型等语音大模型能力，支持真实音色生成、语音DIY、多语言切换、多情感拟真人实时对话等，目前已应用于Soul “AI苟蛋”、站内狼人游戏“狼人魅影”AI语音实时互动、独立新产品“异世界回响”等场景。
与国际最前沿的技术发展保持同频，Soul持续完善自身语音技术能力积累，创新AI社交应用体验。今年7月，在人工智能领域顶级的国际学术会议——国际人工智能联合会议（International Joint Conference on Artificial Intelligence,IJCAI）举办的第二届多模态情感识别挑战赛（MER24）上，Soul 语音技术团队于SEMI（半监督学习）赛道获得第一名，在国际赛事舞台上展现了Soul的前沿洞察和技术能力。
如今，自研端到端语音通话大模型的率先上线，再次证明了Soul在行业中扎实的技术能力积累。
区别于传统的级联方案，语音到语音的端到端建模，意味着语音交互体系的颠覆式升级，即不再需要从“语音识别、自然语言理解、语音生成”等多个环节流转，直接语音输入—语音输出的端到端模型能够最大程度实现信息无损传递，降低响应延迟时间。
此次Soul自研的端到端语音通话大模型便具备超低交互延迟、快速自动打断、超真实声音表达和丰富情绪感知理解能力的特点，支持更自然的人机交互体验。
在延迟方面，于实际应用过程中，用户体验与“异世界回响”中虚拟人实时语音通话效果时，延迟时间少于行业平均水平，真正实现即时的AI交流和陪伴。
值得一提的是，端到端的语音语义理解和响应以及更自然的语音指令控制，让Soul语音通话大模型不仅能够给予情感关怀、理解人声情绪情感并给出有温度的回应，还能够理解物理世界的声音场景，模拟物理世界动物声音、理解多人聊天内容，实现多风格语言切换、文艺内容创作和即兴演唱，接近现实交流互动场景需要。
接下来，Soul将持续推进多模态端到端大模型能力建设和应用落地，以AI辅助社交、提升关系建立的质量和效率的同时，构建人机交互新场景，让用户可以与AI进行更加有温度、沉浸、趣味的互动交流，不断创新社交体验。
（新闻稿 2024-09-03）