Głos, który czuje. Szanghajski StepFun ogrywa OpenAI i Google w emocjonalnym teście

Szanghajski startup StepFun, dowodzony przez byłego wiceprezesa Microsoftu, pokazał model StepAudio 2.5 Realtime. Nie jest to kolejna nakładka na syntezator mowy. To natywny system end-to-end, który pomija etap zamiany dźwięku na tekst. Efekt? Maszyna słyszy pauzy, wyłapuje ironię i rozpoznaje wiek rozmówcy po barwie głosu. W wewnętrznych benchmarkach chiński system uzyskał 82,18 pkt w rozumieniu paralingwistyki, zostawiając w tyle GPT Realtime (80,46 pkt) i Gemini Live, który z wynikiem 58,05 pkt wygląda przy nich jak technologia z innej epoki.

Dlaczego to ma znaczenie właśnie teraz? Wyścig o stworzenie „emocjonalnych asystentów” wchodzi w fazę bezwzględnej rywalizacji technologicznej między USA a Chinami. Podczas gdy OpenAI i Google walczą o dominację na Zachodzie, StepFun udowadnia, że mniejsze modele mogą być bardziej precyzyjne od amerykańskich kolosów, o ile lepiej rozumieją ludzkie emocje i kontekst kulturowy.

Koniec z wypadaniem z roli

Największym problemem asystentów głosowych jest moment, w którym AI „zapomina”, kim jest. Wystarczy trudne pytanie lub długa rozmowa, by chatbot porzucił nadaną mu osobowość i zaczął brzmieć jak instrukcja obsługi lodówki. Inżynierowie ze StepFun twierdzą, że wyeliminowali to zjawisko dzięki specyficznemu procesowi RLHF (Reinforcement Learning from Human Feedback), skupionym na odgrywaniu ról.

Model nie uczył się tylko poprawnej gramatyki. Trenowano go na bazie miliona cech charakterologicznych, które wyciągnięto z 10 tysięcy wzorców stworzonych przez ludzi. Dzięki temu asystent ma zachowywać spójny zestaw poglądów i specyficzny język nawet podczas wielogodzinnych sesji. To próba zbudowania czegoś więcej niż oprogramowania – to projektowanie cyfrowej tożsamości.

Chiński miliard przeciwko gigantom

Za sukcesem nie stoi przypadek, lecz 1,7 miliarda dolarów finansowania i nazwisko Jianga Daxina. To człowiek, który przez 16 lat budował potęgę wyszukiwarki Bing i usług Azure w Microsoft. Dziś jego startup rzuca wyzwanie firmom z Doliny Krzemowej, stawiając na jakość danych zamiast na ślepą skalę parametrów.

• StepAudio 2.5: 80,41 pkt w ocenach użytkowników mobilnych.
• Konkurencja z USA: brak wyniku powyżej 69 pkt w tej samej kategorii.
• Technologia: natywne przetwarzanie audio bez pośrednictwa tekstu.

Towarzysz zamiast wyszukiwarki

Nowa technologia wchodzi na rynek pod postacią persony Xiao Yue. Twórcy nazywają ją „towarzyszem na poziomie duszy”. System rezygnuje ze sztywnej formy zapytanie-odpowiedź. Zamiast tego oferuje swobodną rozmowę pełną westchnień i reakcji na ton głosu użytkownika. Choć brzmi to jak scenariusz z filmu „Her”, deweloperzy już dostali dostęp do API. Wkrótce każdy będzie mógł zbudować własnego agenta, który nie tylko wykona polecenie, ale też „poczuje” smutek w głosie właściciela. Pozostaje pytanie o granice prywatności i wpływ takich emocjonalnych protez na nasze relacje w świecie rzeczywistym.