语音 AI
为您的对话式 AI 应用提供语音界面。
什么是语音 AI？
语音 AI 是对话式 AI 的一个子集，它包括自动语音识别 (ASR) 和文本转语音 (TTS)，可将人类语音转换为文本，并从书面词句中生成类似人类的声音，从而实现虚拟助理、实时转录和由大语言模型 (LLM) 和检索增强生成 (RAG) 驱动的语音搜索等强大技术。
使用语音 AI 的优势
出色的准确性
通过语音 AI 模型自定义实现的出色准确性，将客户体验升级到卓越水平。
支持多种语言
通过提供客户所用语言的语音应用，拓展您的客户群。
高性能和可扩展性
借助低延迟、高吞吐量的应用为更多客户提供服务，这些应用可以基于任意基础设施进行即时扩展：本地、云、边缘或嵌入式基础设施。
为您的品牌提供专属自然语音
借助您的品牌专属语音进行快速、有意义的互动，提升您的客户服务质量。
免费电子书：构建语音 AI 应用
了解如何为您的对话式 AI 应用构建和部署实时语音 AI 工作流。
GTC 2024 会议
语音 AI 用例
开发可自定义的语音 AI 界面
使用预训练模型缩短训练时间
现代语音 AI 系统使用基于海量数据集训练的深度神经网络 (DNN) 模型。随着时间的推移，语音 AI 模型的规模大幅增长，因此，即使在高性能 GPU 上使用 PyTorch、TensorFlow 和 MXNet 等深度学习框架，训练此类模型也可能需要数周的密集计算时间。
NVIDIA 语音 AI 在 NVIDIA NGC™ 目录中提供预训练的生产级优质模型，这些模型基于多个公共和专有数据集在 NVIDIA DGX™ 系统上训练了超过数十万小时。
图 1：高度准确的预训练模型。
图 2: 端到端 NVIDIA NeMo 工作流程
自定义模型以获得更高的准确度
许多企业必须自定义语音和翻译 AI 模型，以实现其特定对话式应用所需的多语种准确性。但是，从头开始自定义语音 AI 模型通常需要大型训练数据集和 AI 专业知识。
为加速开发和高度自定义语音模型，您可以使用 NVIDIA NeMo 构建、自定义和部署语音 (自动语音识别 (ASR) 和文本转语音 (TTS)) 以及自然语言处理 (NLP) 流程。借助 NeMo，您可以自定义、扩展和合成现有的预构建语音 AI 模块，以创建新模型。使用 NeMo 优化的模型可以轻松导出，并在 NVIDIA® Riva 本地或云端作为语音服务进行部署。
通过开发实时技能，实现自然交互
对于语音 AI 技能，公司之前必须始终在准确性和实时性能之间做出选择。例如，他们不能问一个问题，然后等待几秒钟才能得到回复。此外，他们不希望对话式 AI 应用存在误解或传达无用信息。
借助 NVIDIA Riva，公司可以实现出色的准确性，并在几毫秒内实时运行语音 AI 工作流。Riva 提供 NGC 上的 SOTA 预训练模型、低代码工具（例如用于微调的 TAO 工具套件），以实现出色准确性和面向实时性能的优化技能。
图 3：NVIDIA Riva 语音 AI 能力。
探索语音 AI 领域的新突破
语音 AI 入门
语音 AI 工作流入门
开发中使用用于音频转录和智能虚拟助理的免费 AI 工作流，可以大大缩短开发时间。AI 工作流包括 NVIDIA AI 框架和预训练模型，以及 Helm 图表、Jupyter Notebook 和文档等资源，可帮助您快速构建 AI 解决方案。
开始使用容器和模型进行开发
除了付费版本的 NVIDIA Riva，但NVIDIA 还免费提供了可以用于大规模部署的各种容器、模型和自定义工具。
访问教育资源
注册以接收 NVIDIA 发布的关于语音 AI 的新动态
