生成式人工智能的大部分焦点都集中在用于生成文本、图像等的基于文本的界面上。下一波浪潮似乎是语音，而且它正在迅速涌现。在最新进展中，谷歌今天宣布将从下周开始将 Chirp 3（语音转文本和高清文本转语音模型）添加到其 Vertex AI 开发平台中。
上周，谷歌悄然宣布Chirp 3 将推出 31 种语言的 8 种新语音。该平台的用例包括构建语音助手、创建有声读物以及开发支持代理和视频配音。这一消息是在谷歌伦敦 DeepMind 办公室的一次活动中宣布的。
与此同时，其他公司也在语音 AI 领域取得了长足进步。上周，Sesame 宣布推出一种模型，开发人员可以在其技术的基础上构建自己的定制应用和服务。Sesame 是病毒式传播、声音逼真的“Maya”和“Miles”AI 应用程序背后的初创公司。
值得注意的是，Chirp 3 将受到使用限制，以控制滥用行为。“我们正在与我们的安全团队一起解决其中一些问题，”Google Cloud 首席执行官 Thomas Kurian 在今天的新闻发布会上表示。
ElevenLabs 是筹集数亿美元资金以拓展 AI 语音服务业务的大型初创公司之一。
这一消息将使 Chirp 3与其正在测试的旗舰 LLM Gemini 的新版本、图像生成模型Imagen和昂贵的Veo 2视频生成工具进入同一个稳定版本。
谷歌发布的 Chirp 3 是否能像其他一些创造“人类”声音的人工智能成果一样“逼真”仍有待确认（Sesame 的工作尤其突出）。但正如 DeepMind 首席执行官 Demis Hassabis 所强调的那样，这仍然是一场马拉松，而不是短跑。
“在短期内……认为人工智能是未来几年解决所有问题的灵丹妙药的想法，我目前还不认为会成为现实。我认为我们距离 AGI 之类的事情发生还有好几年的时间，”他说。“它将在未来十年内改变一切……所以从中长期来看。这是时间中最有趣的时刻之一。”
谷歌早在 2021 年就推出了 Vertex AI，作为开发者在云端构建机器学习服务的平台。当然，这远在 OpenAI 的 GPT 服务推出之前，人们对人工智能（尤其是生成式人工智能）的兴趣就已激增。
从那时起，该公司一直倾向于使用 Vertex AI，部分原因是它正在追赶微软和亚马逊等其他公司——它们也在为开发人员构建生成式 AI 工具。除了在 Gemini 之上构建生成式 AI 之外，开发人员还可以使用 Vertex AI 对数据进行分类、训练模型和设置生产模型。它是否会将其封闭式模型扩展到谷歌自己创建的模型之外，这将很有趣。
谷歌多年来一直在打造“Chirp”语音服务，最初是用这个名字作为与亚马逊 Alexa 服务竞争的代号。
