<p>阿里巴巴集团推出的一款新型人工智能语音模型在一个重要的全球基准测试中超越了西方竞争对手 OpenAI 和 xAI，凸显了其在捕捉复杂中文方言和口音方面的技术优势。由阿里巴巴的通义实验室开发的 Fun-Realtime-TTS-Preview 在人工分析语音竞技场排行榜上获得了第五名，得分为 1190。这是全球前五名中唯一一个中国研发的语音系统。阿里巴巴拥有《南华早报》。语音竞技场基准测试由人工分析公司运营，该公司位于旧金山，得到了包括前 GitHub 首席执行官 Nat Friedman 和 Google Brain 创始人 Andrew Ng 在内的投资者的支持。该平台通过盲测用户对生成语音片段的评估，使用基于 Elo 的系统对模型进行排名。语音竞技场的用户测试模型在三个核心能力上的表现——将语音转换为文本、实现端到端的语音理解和对话互动，以及将文本转换为自然听起来的语音。在一个单独的人工分析词错误率指数中，阿里巴巴的 Fun-Realtime-ASR 模型以 1.8% 的词错误率排名第一，这意味着每 100 个单词中不到两个单词被错误转录。这个突破解决了亚洲语音技术长期以来的瓶颈。根据百度开发者中心 5 月的报告，传统的基于标准普通话训练的语音系统在口音说话者中的准确率低于 60%，而在地方方言中则降至 30% 以下。阿里巴巴一直在努力弥补这一差距。根据该公司的云部门，新模型支持 30 多种语言、七种主要中文方言和 20 多种地方口音。中国的人工智能开发者正越来越多地从通用聊天机器人转向将语音 AI 助手嵌入日常应用中，以寻求生成式 AI 技术的更广泛商业用途。对语音模型的行业关注反映了人们对语音接口可能成为各行业部署 AI 的关键入口的预期。作为人机交互最直观的形式之一，语音几乎不需要用户培训。与基于文本的接口相比，基于语音的 AI 系统通常被认为更容易被主流用户接受，因为它们需要更少的用户培训，并且可以在智能手机、智能音箱和车载助手等设备上更自然地操作。Fun-Realtime-TTS-Preview 还提供针对金融和医疗行业用例量身定制的企业级定制接口。例如，在医疗环境中，该系统可以实时将医生的口述笔记转换为结构化的临床记录。随着中国科技公司越来越关注为更专业的现实应用设计的 AI 系统，语音 AI 的扩展应运而生。然而，包括谷歌和 ElevenLabs 在内的美国公司仍然主导着许多全球商业语音应用和开发者生态系统。</p>

阿里巴巴

OpenAI

天弘中证计算机主题ETF

<p>阿里巴巴的通义实验室开发了 Fun-Realtime-TTS-Preview AI 语音模型，该模型在人工分析语音竞技场排行榜上排名全球第五，超越了 OpenAI 和 xAI 等西方竞争对手。它是前五名中唯一一个中国研发的系统，在捕捉复杂的中文方言和口音方面表现出色。此外，阿里巴巴的自动语音识别（ASR）模型以 1.8% 的词错误率排名第一。这一突破解决了区域中文语音的准确性瓶颈，支持超过 30 种语言和多种方言，同时为金融和医疗等行业提供企业定制服务</p>

<p>A new artificial intelligence voice model from Alibaba Group Holding has beaten out Western rivals OpenAI and xAI on a major global benchmark, underscoring its technical edge in capturing complex Chinese dialects and accents. Fun-Realtime-TTS-Preview, developed by Alibaba’s Tongyi Lab, has secured the fifth spot on the Artificial Analysis Speech Arena leaderboard with a score of 1,190. It was the only Chinese-engineered voice system in the global top five. Alibaba owns the South China Morning Post. The Speech Arena benchmark is operated by Artificial Analysis, a San Francisco-based AI evaluation organisation backed by investors including former GitHub chief executive Nat Friedman and Google Brain founder Andrew Ng. The platform ranks models through blind user evaluations of generated speech clips using an Elo-based system. Speech Arena users test how well models can perform across three core capabilities – converting speech into text, enabling end-to-end voice understanding and conversational interaction, and transforming text into natural-sounding speech. In a separate Artificial-Analysis Word Error Rate index, Alibaba’s Fun-Realtime-ASR model ranked first with a word error rate of 1.8 per cent, meaning fewer than two words out of every 100 were transcribed incorrectly. The breakthrough addresses a long-standing bottleneck for voice tech in Asia. According to a May report by the Baidu Developer Centre, traditional speech systems trained on standard Mandarin see their accuracy fall below 60 per cent for accented speakers, and drop to under 30 per cent for regional Chinese dialects. Alibaba has been trying to bridge this gap. According to the firm’s cloud unit, the new model supports more than 30 languages, seven major Chinese dialects and over 20 regional accents. Chinese AI developers are increasingly pivoting from general-purpose chatbots towards embedding voice AI assistants into daily applications in search of broader commercial uses for generative AI technologies. The growing industry focus on speech models reflects expectations that voice interfaces could become a key gateway for deploying AI across industries. As one of the most intuitive forms of human-computer interaction, voice requires little user training. Voice-based AI systems are generally seen as easier for mainstream users to adopt than text-based interfaces because they require less user training and can operate more naturally across devices such as smartphones, smart speakers and in-car assistants. Fun-Realtime-TTS-Preview also provides enterprise-level customisation interfaces tailored to finance and healthcare industry use cases. In medical settings, for example, the system can convert doctors’ spoken notes into structured clinical records in real time. The expansion into speech AI comes as Chinese tech companies focus more on AI systems designed for more specialised real-world applications. However, US companies including Google and ElevenLabs continue to dominate many global commercial voice applications and developer ecosystems.</p>
<div class="lb-trans"><p>阿里巴巴集团推出的一款新型人工智能语音模型在一个重要的全球基准测试中超越了西方竞争对手 OpenAI 和 xAI，凸显了其在捕捉复杂中文方言和口音方面的技术优势。由阿里巴巴的通义实验室开发的 Fun-Realtime-TTS-Preview 在人工分析语音竞技场排行榜上获得了第五名，得分为 1190。这是全球前五名中唯一一个中国研发的语音系统。阿里巴巴拥有《南华早报》。语音竞技场基准测试由人工分析公司运营，该公司位于旧金山，得到了包括前 GitHub 首席执行官 Nat Friedman 和 Google Brain 创始人 Andrew Ng 在内的投资者的支持。该平台通过盲测用户对生成语音片段的评估，使用基于 Elo 的系统对模型进行排名。语音竞技场的用户测试模型在三个核心能力上的表现——将语音转换为文本、实现端到端的语音理解和对话互动，以及将文本转换为自然听起来的语音。在一个单独的人工分析词错误率指数中，阿里巴巴的 Fun-Realtime-ASR 模型以 1.8% 的词错误率排名第一，这意味着每 100 个单词中不到两个单词被错误转录。这个突破解决了亚洲语音技术长期以来的瓶颈。根据百度开发者中心 5 月的报告，传统的基于标准普通话训练的语音系统在口音说话者中的准确率低于 60%，而在地方方言中则降至 30% 以下。阿里巴巴一直在努力弥补这一差距。根据该公司的云部门，新模型支持 30 多种语言、七种主要中文方言和 20 多种地方口音。中国的人工智能开发者正越来越多地从通用聊天机器人转向将语音 AI 助手嵌入日常应用中，以寻求生成式 AI 技术的更广泛商业用途。对语音模型的行业关注反映了人们对语音接口可能成为各行业部署 AI 的关键入口的预期。作为人机交互最直观的形式之一，语音几乎不需要用户培训。与基于文本的接口相比，基于语音的 AI 系统通常被认为更容易被主流用户接受，因为它们需要更少的用户培训，并且可以在智能手机、智能音箱和车载助手等设备上更自然地操作。Fun-Realtime-TTS-Preview 还提供针对金融和医疗行业用例量身定制的企业级定制接口。例如，在医疗环境中，该系统可以实时将医生的口述笔记转换为结构化的临床记录。随着中国科技公司越来越关注为更专业的现实应用设计的 AI 系统，语音 AI 的扩展应运而生。然而，包括谷歌和 ElevenLabs 在内的美国公司仍然主导着许多全球商业语音应用和开发者生态系统。</p>
</div>

Alibaba AI voice model beats OpenAI, xAI to bridge Chinese dialect gap

- 阿里巴巴的新语音模型在全球基准上超越西方对手，显示技术优势。  
- 该模型在人工分析语音竞技场以 1190 分排名第五，唯一进入前五的中国系统。  
- 新模型支持 30 多种语言和七大方言，推动语音 AI 在实际应用中的发展。

南华早报

华夏中证文娱传媒ETF

影视ETF

浦银安盛中证沪港深游戏及文化传媒ETF

华宝中证港股通互联网ETF

中概互联网指数 ETF - KraneShares

易方达中证港股通互联网ETF

2 倍做多 BABA ETF - GraniteShares

国泰中证影视主题ETF

2 倍做多阿里巴巴 ETF - KraneShares

传媒ETF

阿里巴巴-W

谷歌-A

谷歌-C

百度

百度-SW

阿里巴巴-WR

Alibaba HK SDR 5to1

百度集团-SWR

阿里巴巴的 AI 语音模型击败了 OpenAI 和 xAI，成功弥合了中国方言之间的差距