Nova Sonic – 重新定义语音交互体验的 AI 语音模型

一、Nova Sonic 是什么

Nova Sonic 是亚马逊在 2025 年 4 月推出的新一代生成式 AI 语音模型，旨在解决传统语音应用开发中的复杂性和不自然交互问题。它将语音理解、语言处理和语音合成功能集成到一个单一模型中，实现了更自然、流畅的语音交互体验，通过亚马逊 Bedrock 开发者平台提供服务，具有显著的成本效益优势，价格比 OpenAI 的 GPT-4o 便宜约 80%，可广泛应用于客户服务、旅游、教育、医疗、娱乐等多个行业。

二、核心功能

• 原生语音处理与高准确性 ：能高效处理语音输入，生成自然流畅的语音输出。采用 HiFi 语音识别技术，在嘈杂环境或用户发音不清晰时，仍能准确理解意图，在多语言 LibriSpeech 基准测试中，英语、法语、意大利语、德语和西班牙语的平均单词错误率仅为 4.2%。
• 自然对话能力 ：可捕捉说话者的停顿、打断等情况，在合适的时机发言，使对话更自然流畅，并能根据说话者的语调、风格等声学上下文调整生成的语音响应，对话更自然。
• 实时信息获取与请求路由 ：可智能判断何时从互联网获取实时信息，为用户提供更优解答。还能根据上下文信息，将用户请求路由到不同 API，灵活调用互联网信息、解析专有数据源或在外部应用程序中采取行动。
• 文本记录生成 ：可为用户的语音生成文本记录，开发者可将这些文本用于各种应用场景，如触发 API 或与专有工具交互。

三、技术原理

• 高精度语音识别 ：采用 HiFi 语音识别技术，能够在嘈杂环境或用户发音不清晰的情况下，准确理解用户的意图。在多语言 LibriSpeech 基准测试中，Nova Sonic 在英语、法语、意大利语、德语和西班牙语上的平均单词错误率（WER）仅为 4.2%，显著优于其他竞品。
• 双向流式 API ：通过亚马逊的 Bedrock 开发者平台提供服务，采用创新的双向流式 API 接口，能实现音频输入和输出的实时双向流式传输，确保对话的流畅性。

四、支持平台

Nova Sonic 通过亚马逊 Bedrock 平台提供服务，目前支持多种语言，尤其在美国英语和英国英语的语音理解上表现卓越，支持多样的说话风格和口音，未来计划扩展对更多语言和口音的支持。

五、团队介绍

亚马逊人工通用智能（AGI）高级副总裁兼首席科学家 Rohit Prasad 表示，Nova Sonic 的推出不仅是技术的进步，也是公司在人工智能领域持续创新的体现。亚马逊在语音助手和智能对话系统领域拥有多年的技术积累和经验，为 Nova Sonic 的研发和优化提供了强大的支持。

六、项目资源

• 项目官网 ：https://aws.amazon.com/bedrock/
• 相关报道 ：https://www.aboutamazon.com/news/innovation-at-amazon/nova-sonic-voice-speech-foundation-model

七、业务场景

• 客户服务 ：可用于构建自动化的客户服务呼叫中心，能理解客户的问题并提供准确的解答，根据客户的情绪调整回应的语气，提升客户满意度。
• 旅游 ：可作为虚拟旅游助手，帮助用户规划行程、预订机票和酒店等，为用户提供额外的便利和个性化的服务体验。
• 教育 ：可用于开发语言学习应用，为学习者提供实时发音反馈，帮助他们提高语言能力，使语言学习更加高效和有趣。
• 医疗保健 ：可协助医生与患者进行沟通，提供医疗信息和建议，为医疗咨询和健康管理工作提供支持。
• 娱乐 ：可用于创建语音交互式的游戏和虚拟角色，提升用户的娱乐体验，增加游戏的趣味性和沉浸感。