<p>阿里巴巴集團推出的一款新型人工智能語音模型在一個重要的全球基準測試中超越了西方競爭對手 OpenAI 和 xAI，凸顯了其在捕捉複雜中文方言和口音方面的技術優勢。由阿里巴巴的通義實驗室開發的 Fun-Realtime-TTS-Preview 在人工分析語音競技場排行榜上獲得了第五名，得分為 1190。這是全球前五名中唯一一箇中國研發的語音系統。阿里巴巴擁有《南華早報》。語音競技場基準測試由人工分析公司運營，該公司位於舊金山，得到了包括前 GitHub 首席執行官 Nat Friedman 和 Google Brain 創始人 Andrew Ng 在內的投資者的支持。該平台通過盲測用户對生成語音片段的評估，使用基於 Elo 的系統對模型進行排名。語音競技場的用户測試模型在三個核心能力上的表現——將語音轉換為文本、實現端到端的語音理解和對話互動，以及將文本轉換為自然聽起來的語音。在一個單獨的人工分析詞錯誤率指數中，阿里巴巴的 Fun-Realtime-ASR 模型以 1.8% 的詞錯誤率排名第一，這意味着每 100 個單詞中不到兩個單詞被錯誤轉錄。這個突破解決了亞洲語音技術長期以來的瓶頸。根據百度開發者中心 5 月的報告，傳統的基於標準普通話訓練的語音系統在口音説話者中的準確率低於 60%，而在地方方言中則降至 30% 以下。阿里巴巴一直在努力彌補這一差距。根據該公司的雲部門，新模型支持 30 多種語言、七種主要中文方言和 20 多種地方口音。中國的人工智能開發者正越來越多地從通用聊天機器人轉向將語音 AI 助手嵌入日常應用中，以尋求生成式 AI 技術的更廣泛商業用途。對語音模型的行業關注反映了人們對語音接口可能成為各行業部署 AI 的關鍵入口的預期。作為人機交互最直觀的形式之一，語音幾乎不需要用户培訓。與基於文本的接口相比，基於語音的 AI 系統通常被認為更容易被主流用户接受，因為它們需要更少的用户培訓，並且可以在智能手機、智能音箱和車載助手等設備上更自然地操作。Fun-Realtime-TTS-Preview 還提供針對金融和醫療行業用例量身定製的企業級定製接口。例如，在醫療環境中，該系統可以實時將醫生的口述筆記轉換為結構化的臨牀記錄。隨着中國科技公司越來越關注為更專業的現實應用設計的 AI 系統，語音 AI 的擴展應運而生。然而，包括谷歌和 ElevenLabs 在內的美國公司仍然主導着許多全球商業語音應用和開發者生態系統。</p>

阿里巴巴

OpenAI

天弘中證計算機主題ETF

<p>阿里巴巴的通義實驗室開發了 Fun-Realtime-TTS-Preview AI 語音模型，該模型在人工分析語音競技場排行榜上排名全球第五，超越了 OpenAI 和 xAI 等西方競爭對手。它是前五名中唯一一箇中國研發的系統，在捕捉複雜的中文方言和口音方面表現出色。此外，阿里巴巴的自動語音識別（ASR）模型以 1.8% 的詞錯誤率排名第一。這一突破解決了區域中文語音的準確性瓶頸，支持超過 30 種語言和多種方言，同時為金融和醫療等行業提供企業定製服務</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>阿里巴巴集團推出的一款新型人工智能語音模型在一個重要的全球基準測試中超越了西方競爭對手 OpenAI 和 xAI，凸顯了其在捕捉複雜中文方言和口音方面的技術優勢。由阿里巴巴的通義實驗室開發的 Fun-Realtime-TTS-Preview 在人工分析語音競技場排行榜上獲得了第五名，得分為 1190。這是全球前五名中唯一一箇中國研發的語音系統。阿里巴巴擁有《南華早報》。語音競技場基準測試由人工分析公司運營，該公司位於舊金山，得到了包括前 GitHub 首席執行官 Nat Friedman 和 Google Brain 創始人 Andrew Ng 在內的投資者的支持。該平台通過盲測用户對生成語音片段的評估，使用基於 Elo 的系統對模型進行排名。語音競技場的用户測試模型在三個核心能力上的表現——將語音轉換為文本、實現端到端的語音理解和對話互動，以及將文本轉換為自然聽起來的語音。在一個單獨的人工分析詞錯誤率指數中，阿里巴巴的 Fun-Realtime-ASR 模型以 1.8% 的詞錯誤率排名第一，這意味着每 100 個單詞中不到兩個單詞被錯誤轉錄。這個突破解決了亞洲語音技術長期以來的瓶頸。根據百度開發者中心 5 月的報告，傳統的基於標準普通話訓練的語音系統在口音説話者中的準確率低於 60%，而在地方方言中則降至 30% 以下。阿里巴巴一直在努力彌補這一差距。根據該公司的雲部門，新模型支持 30 多種語言、七種主要中文方言和 20 多種地方口音。中國的人工智能開發者正越來越多地從通用聊天機器人轉向將語音 AI 助手嵌入日常應用中，以尋求生成式 AI 技術的更廣泛商業用途。對語音模型的行業關注反映了人們對語音接口可能成為各行業部署 AI 的關鍵入口的預期。作為人機交互最直觀的形式之一，語音幾乎不需要用户培訓。與基於文本的接口相比，基於語音的 AI 系統通常被認為更容易被主流用户接受，因為它們需要更少的用户培訓，並且可以在智能手機、智能音箱和車載助手等設備上更自然地操作。Fun-Realtime-TTS-Preview 還提供針對金融和醫療行業用例量身定製的企業級定製接口。例如，在醫療環境中，該系統可以實時將醫生的口述筆記轉換為結構化的臨牀記錄。隨着中國科技公司越來越關注為更專業的現實應用設計的 AI 系統，語音 AI 的擴展應運而生。然而，包括谷歌和 ElevenLabs 在內的美國公司仍然主導着許多全球商業語音應用和開發者生態系統。</p>
</div>

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

- 阿里巴巴的新語音模型在全球基準上超越西方對手，顯示技術優勢。  
- 該模型在人工分析語音競技場以 1190 分排名第五，唯一進入前五的中國系統。  
- 新模型支持 30 多種語言和七大方言，推動語音 AI 在實際應用中的發展。

南華早報

華夏中證文娛傳媒ETF

影視ETF

浦銀安盛中證滬港深遊戲及文化傳媒ETF

華寶中證港股通互聯網ETF

中概互聯網指數 ETF - KraneShares

易方達中證港股通互聯網ETF

2 倍做多 BABA ETF - GraniteShares

國泰中證影視主題ETF

2 倍做多阿里巴巴 ETF - KraneShares

傳媒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

百度集團-SWR

阿里巴巴的 AI 語音模型擊敗了 OpenAI 和 xAI，成功彌合了中國方言之間的差距