四川在线记者 唐泽文 文/视频
1月20日，豆包APP更新实时语音通话功能。
该功能基于最新实时语音大模型，使得其中文场景的对话能力在语音真实感和“喜怒哀乐”的情绪表现上，有点“断崖式”提升的味道。记者实测了一下，真有点“人机难辨”的效果。
这是怎么做到的？
记者仔细翻阅了这次升级的具体技术解释。豆包的制作方火山引擎给出的答案是：将传统对话任务系统的“级联模式”，改为了“端到端”模式。
回看去年一整年的全球人工智能发展，“端到端”都是一个热词。特斯拉、华为等都在向这个方向靠拢。
到底什么是“端到端”？我直接把这个问题丢给了豆包。
它给出的答案是：端到端大模型直接把输入变成输出。它省了中间步骤，处理快，效果好，但也更复杂，需要大量数据训练。
说得更易懂一些，以语音模型为例，传统的处理方式是：语音处理，需要先经过语音转文字，再把文字输入给大模型，大模型处理完毕返回文字，再由转化系统把文字转为语音返回给用户。
这种传统“级联模式”的好处是技术门槛和成本都更低。但弊端也明显，几个模块联动处理，延迟高，能力弱。
而“端到端”则是大模型能直接听懂语音输入，并直接进行语音输出。这意味着它不仅能听懂你说的文字，还能听懂你的语气、语调，甚至还能以此判断出你话语的弦外之音、言外之意。用火山引擎自己的话来说，这让AI语音对话“有神”了。
特斯拉和华为为什么也向“端到端”靠拢？
自动驾驶是多模块协作方式，其包括路况采集、自动化分析、做出决策，执行决策等过程。自动驾驶系统需要大量时间做出响应。
改为“端到端”，就可直接采集路况数据、做出决策，省略中间各类处理流程，大幅提升系统的灵敏度和安全性。要知道，自动驾驶的响应要求是毫秒级，快速响应是评判其能力的最核心要素之一。
目前看，“端到端”在国内已成为大模型发展的一个主攻方向。除上述企业外，腾讯、小米、科大讯飞、商汤科技等，都在更强AI算力支持下，开发自己领域的“端到端”大模型。
今后，说话“有神”且反应更灵敏的大模型应用，在我们身边将变得越来越常见。