AI應(yīng)用風(fēng)向標(biāo)（公眾號：ZhidxcomAI）
作者｜江宇
編輯｜漠影

智東西12月10日報(bào)道，今日，智譜正式發(fā)布并開源GLM-ASR系列語音識別模型，并同步上線了基于該模型打造的桌面端智譜AI輸入法“小凹”。

相比傳統(tǒng)語音輸入只能“把話變成字”，小凹在輸入框中即可完成翻譯、改寫、計(jì)算、規(guī)劃等指令操作。

我們在實(shí)際體驗(yàn)中發(fā)現(xiàn)，小凹不僅能在實(shí)現(xiàn)相對穩(wěn)定的語音轉(zhuǎn)寫，還能順著用戶的口語進(jìn)行內(nèi)容整理、風(fēng)格轉(zhuǎn)換或直接完成小任務(wù)。

例如隨口報(bào)賬、算工資、安排旅行、甚至解一道數(shù)學(xué)證明題，它都能跟上。而對于碎碎念、自我修正和中英混說等復(fù)雜口語，小凹也能給出相應(yīng)結(jié)果，但整體穩(wěn)定性仍有提升空間。

與此同時(shí)，智譜此次還開源了1.5B參數(shù)量的端側(cè)模型GLM-ASR-Nano-2512，重點(diǎn)面向本地低延遲與隱私場景，在部分公開測試集上達(dá)到開源SOTA表現(xiàn)。

GLM-ASR-2512使用指南：https://docs.bigmodel.cn/cn/guide/models/sound-and-video/glm-asr-2512

體驗(yàn)中心：https://bigmodel.cn/trialcenter/modeltrial/voice

接口文檔：https://docs.bigmodel.cn/api-reference/模型-api/語音轉(zhuǎn)文本

GLM-ASR-Nano-2512開源地址：

Hugging Face：https://huggingface.co/zai-org/GLM-ASR-Nano-2512

魔搭社區(qū)：https://www.modelscope.cn/models/ZhipuAI/GLM-ASR-Nano-2512

一、從云側(cè)到端側(cè)，語音識別被直接塞進(jìn)輸入法

這次同步發(fā)布的GLM-ASR-2512是一款云端語音識別模型，支持實(shí)時(shí)語音轉(zhuǎn)文字，在多語種、多口音與復(fù)雜環(huán)境下進(jìn)行過穩(wěn)定性測試，其字符錯(cuò)誤率（CER）僅為0.0717。

同時(shí)開源的GLM-ASR-Nano-2512則是一款約1.5B參數(shù)規(guī)模的端側(cè)模型，主打本地運(yùn)行，在延遲和隱私層面更友好。它在開源語音識別方向已達(dá)到SOTA水平，在部分測試中甚至超過了若干閉源模型。

▲GLM-ASR-Nano與多款主流語音識別模型在多個(gè)公開數(shù)據(jù)集上的識別錯(cuò)誤率對比

圍繞這套模型能力，智譜將語音識別直接嵌入桌面端輸入法中，使語音可以直接驅(qū)動翻譯、改寫、擴(kuò)寫、情緒表達(dá)轉(zhuǎn)換與計(jì)算等一系列后續(xù)操作，用戶在輸入框中即可完成從語音到結(jié)果的完整流程，不需要再切換窗口，也不需要復(fù)制粘貼，光標(biāo)在哪，說完就能直接替換。

二、語音不只轉(zhuǎn)文字，還能順著你的話去改、去算、去規(guī)劃

在實(shí)際體驗(yàn)中，首次使用需要跳轉(zhuǎn)瀏覽器完成手機(jī)號登錄，并進(jìn)行麥克風(fēng)和“允許粘貼文字”基礎(chǔ)權(quán)限授權(quán)。

▲使用瀏覽器登錄以使用小凹語言服務(wù)

▲麥克風(fēng)和“允許粘貼文字”基礎(chǔ)權(quán)限授權(quán)

完成授權(quán)后，輸入法會自動跳轉(zhuǎn)到一個(gè)體驗(yàn)界面，主要用于語音調(diào)試和熟悉核心功能。隨后，進(jìn)入輸入法主頁，整體界面分成“首頁”“詞典”和“人設(shè)”三個(gè)主要區(qū)域。

首頁更像是一個(gè)“使用儀表盤”，會把近期的語音輸入時(shí)長、生成文字?jǐn)?shù)量以及按打字速度粗略計(jì)算的節(jié)省時(shí)間都展示出來，底部還會自動記錄用戶一天內(nèi)的輸入內(nèi)容，方便回看。

▲智譜AI輸入法主頁

“詞典”是一個(gè)用于維護(hù)專有名詞和口頭表達(dá)的小工具欄。它會自動學(xué)習(xí)用戶經(jīng)常說的詞，但也允許用戶手動添加項(xiàng)目名、人名、行業(yè)術(shù)語等，避免轉(zhuǎn)寫時(shí)出現(xiàn)錯(cuò)誤。

▲詞典頁面

再往下是“人設(shè)”頁面，可以說是輸入法里AI化最明顯的部分。這里不僅能看到多個(gè)預(yù)置的人設(shè)，如“默認(rèn)風(fēng)格”“自動翻譯”“命令行大神”“面對老板”“面對伴侶”“面對同事”等，每一個(gè)都帶著對應(yīng)的表達(dá)語氣。同時(shí)也支持用戶自己新建人設(shè)，調(diào)整語氣、表達(dá)方式或行為偏好。點(diǎn)開任意人設(shè)，右側(cè)會顯示可編輯的描述區(qū)域。

▲人設(shè)頁面

進(jìn)入正式體驗(yàn)后，我先從最基礎(chǔ)、也是最貼近日常使用的場景開始試起。

看到案例里它能把說錯(cuò)的日期和時(shí)間自動整理成最終確認(rèn)的結(jié)果，我也順手用了一種接近真實(shí)口頭表達(dá)的方式來測試。

我像平時(shí)說話一樣隨口講：“呃呃我打算九點(diǎn)召開一個(gè)會議，嗯……算了，還是十一點(diǎn)吧?！?/p>

在多輪嘗試后，最終才得到的預(yù)期結(jié)果“我打算在十一點(diǎn)召開一個(gè)會議”?？梢?，它對口語中自我修正和停頓詞的自動處理，目前還談不上完全穩(wěn)定。

在更為復(fù)雜的一輪測試中，我直接口語輸入了一整段中英文混雜的工作溝通內(nèi)容：“這次Q3的marketing campaign involves our research team，leverage on他們新出的報(bào)告吧，然后費(fèi)用的話charge Joanna部門，問一下他明天有沒有時(shí)間一起過一下budget，上周五你present的deck等會可以發(fā)我一下嗎？也cc一下Jennifer吧?！?/p>

在這一輪中英混說的測試中，系統(tǒng)雖然能基本還原語句結(jié)構(gòu)，但英文部分的識別準(zhǔn)確性一般，連續(xù)表達(dá)時(shí)容易出現(xiàn)偏差。

隨后我測試了人設(shè)表達(dá)功能，分別選擇了“面對老板”和“面對伴侶”，輸入同一條“抱歉，我臨時(shí)有事，下午去不了了”，兩種人設(shè)在語氣上整體差異并不大。

▲ “面對老板”這一人設(shè)的輸出結(jié)果

▲ “面對伴侶”這一人設(shè)的輸出結(jié)果

如果希望達(dá)到展示案例中的明顯風(fēng)格切換效果，或仍需要在自定義人設(shè)中補(bǔ)充更明確的提示語。

▲人設(shè)功能的官方案例展示

而面對開發(fā)者，“命令行大神”這一人設(shè)則具備一定的實(shí)用性，我語音輸入“顯示當(dāng)前所有python進(jìn)程的進(jìn)程號”后，系統(tǒng)功能直接給出標(biāo)準(zhǔn)命令結(jié)果。

▲ “命令行大神”這一人設(shè)的輸出結(jié)果

隨后我又連續(xù)語音提問“小凹，智譜AI輸入法的優(yōu)勢在哪里”和“為什么語音輸入比鍵盤輸入更友好”，感覺更像是在輸入法里直接“召喚”了一個(gè)AI助手，答案不是彈窗形式出現(xiàn)，而是直接生成在光標(biāo)位置，這兩次提問都能正常給出解釋性回復(fù)。

▲解釋性回答

此外，在選中文本后，說出“翻譯成英文”、“翻譯成日文”和“翻譯成四川話”，結(jié)果均可即時(shí)替換，光標(biāo)所選即所改的模式在編輯過程中比較高效。

在更偏向生活類的小任務(wù)里，我先試了一個(gè)隨口報(bào)賬的場景：“嘿小凹，幫我記一下今天的賬單，我早上吃飯花了六塊五，中午快餐二十五，晚上看電影三十九，晚飯一百。”輸入法能把這些數(shù)字正確記錄下來，自動匯總結(jié)算。

▲記賬

隨后，我又試了試計(jì)算工資的場景：“嘿小凹，計(jì)算一下年薪有多少？月工資三十k，簽字費(fèi)五萬，十萬期權(quán)分兩年發(fā)放?！毕到y(tǒng)能把這些條件拆開并算出一個(gè)明確的結(jié)果，用語音完成這種小型算式比預(yù)想中順滑。

▲算工資

再往后我測試了一個(gè)規(guī)劃任務(wù)，比如“嘿小凹，我想去上海玩兩天，從北京出發(fā)，幫我制定一個(gè)旅行計(jì)劃?！彼材芙o出一個(gè)結(jié)構(gòu)化的行程建議。

▲行程規(guī)劃

此外，我還拋了一道數(shù)學(xué)證明題進(jìn)去，系統(tǒng)不僅給了過程，還在聽到有歧義的部分時(shí)主動提示：“題目中的‘1+x分之x’我理解為‘1+x/x’?！边@種在語音表達(dá)容易含糊時(shí)給出的額外說明，對純語音輸入來說還是挺關(guān)鍵的。

此外，在完成全部功能測試后，我又把“小凹”放進(jìn)了真正的寫作流程中。這篇稿子里，約有90%的內(nèi)容，是通過語音直接生成在輸入框里的，很多段落幾乎是“邊想邊說”就成型了。我也第一次明顯感覺到，輸入方式正在反過來影響寫作思路。

結(jié)語：輸入法很可能會成為AI下一個(gè)高頻入口

從這次整體體驗(yàn)來看，小凹的變化在于它開始接管一部分原本需要人手完成的小任務(wù)：一句話可以記賬、算清一筆收入、改一句表達(dá)、順手做一個(gè)行程規(guī)劃。

輸入法這個(gè)原本最基礎(chǔ)、最熟悉的工具，正在被重新定義成一個(gè)“隨叫隨用”的AI入口。

更重要的是，這種變化發(fā)生在桌面端，AI能力能夠被直接嵌進(jìn)日常最頻繁使用的輸入場景里，慢慢變成工作流的一部分。

當(dāng)然，從碎碎念整理、中英混說到人設(shè)表達(dá)的穩(wěn)定性來看，小凹仍然處在不斷打磨的過程中，但方向已經(jīng)很清楚，AI已經(jīng)開始更具體地參與到用戶每天的工作中。