Deepgram推出高级对话式语音识别模型 Flux

earwig · 发表于昨天 00:00

语音识别与语音人工智能先驱Deepgram今日宣布推出Flux模型，该公司宣称这是全球首个专为实时语音助手设计的对话式语音识别（CSR）模型。作为语音转语音技术的新引擎，Flux被认为解决了语音AI领域的核心难题：中断识别。Deepgram表示该模型使其距离通过音频图灵测试更近一步。

https://audioxpress.com/assets/upload/images/1/20251006133649_Deepgram-FluxConve.png

音频图灵测试是一种受原始图灵测试启发，专门用于音频设计，主要用于评估语音综合或文本到语音（TTS）系统。该测试基准通过将它们与真实的人类语音进行比较，将对比音频剪辑的“拟真度”，尤其是由高级AI模型产生的片段。

Deepgram指出，与传统自动语音识别（ASR）技术（主要应用于字幕或会议记录等转录场景）不同，Flux经过专门训练可理解对话中的微妙差异。它不仅能捕捉表层语义，它能识别说话者何时结束发言、何时应答，并保持对话流畅自然且引人入胜。

Deepgram在公告中指出：
"全球语音人工智能代理市场预计到2034年将达到近475亿美元规模，复合年增长率约为34.8%。这一增长主要源于企业跨行业转向自动化客户自助服务、智能客服辅助工具及嵌入式对话体验。但传统语音转文本系统并非为实时对话而设计。为重构对话流程，开发者被迫拼凑转录、语音活动检测和轮次逻辑——这种拼凑方案导致延迟、错误频发，造成用户体验不佳。"

“Flux通过将轮次交接功能直接嵌入识别过程，彻底解决了这些问题。它使语音识别从单纯转录文字升级为建模对话流程本身，让开发者能够构建响应迅速、类人化的语音助手，无需面对复杂的权宜代码或无休止的阈值调试。”

https://audioxpress.com/assets/upload/images/1/20251006133649_Deepgram-FLUX-Surv.png

据该公司称，Flux是一款具备对话感知能力的识别模型，能在模型内部处理时间轴，通过上下文感知轮次检测和原生插话处理实现流畅交互。“Turn detection”是判断发言者何时结束发言、系统何时应作出响应的高级技术。不同于仅基于音频信号识别语音存在与否的简单语音活动检测（VAD），语境感知轮次检测同时利用声学特征（如韵律、停顿、语调）和语义线索（如完整句子、语法结构及对话意图）。Flux提供约260毫秒的超低延迟话轮结束检测，并支持独立事件触发机制，可在话轮结束前生成预判响应。

Deepgram表示，这些技术突破将使开发者能够生成完整话轮转录文本，用结构化对话提示取代脆弱的客户端逻辑，从而让团队在数周而非数月内交付可投入生产使用的智能对话系统。基于公司Nova语音转文本模型，Flux据称可实现Nova-3级精度，支持单GPU处理100+流的高效GPU并行计算，并具备可预测成本优势，避免了附加系统的隐性开销。

全新Flux模型于10月2日在旧金山市中心举办的VapiCon 2025语音AI开发者大会上正式发布。Vapi作为语音接口技术公司，致力于打造开发者友好型工具、API及基础设施平台，助力构建具备低延迟与强健安全性的对话式AI语音助手，可处理数百万通呼叫。

首席执行官Jordan Dearsley表示：“Vapi始终致力于为工程团队提供构建对话前端的平台，Deepgram推出的Flux正是这一愿景的完美实践。通过将轮询机制直接嵌入语音识别，Flux攻克了对话式AI最棘手的难题之一。我们非常高兴Deepgram选择VapiCon发布这项突破性技术，期待见证开发者们运用它创造出卓越的语音助手。"

https://audioxpress.com/assets/upload/images/1/20251006134719_Scott-Stephenson-C.png

Deepgram创始人兼首席执行官Scott Stephenson与首席技术官Adam Sypniewski。

Deepgram联合创始人兼首席执行官斯Scott Stephenson补充道：“Flux重新定义了语音识别在实时AI领域的可能性，数十年来，ASR技术仅专注于听觉采集与记录。而Flux不同——它能以类人节奏聆听、理解并引导对话。这是语音助手长期期待的基础架构，也是我们攻克音频图灵测试的最新里程碑。”

Flux现已面向开发者、工程主管及实时智能助手开发团队全面开放。为庆祝上线，Deepgram推出“十月Flux”活动——2025年10月整月免费开放Flux使用权限。开发者可免费构建并测试实时语音助手，支持最多50路并发连接。更多详情请见此处。

Deepgram提供语音转文本（STT）、文本转语音（TTS）及全语音转语音（STS）技术，服务于20万+开发者。其原生语音基础模型可通过云API或自托管/本地API访问。

www.deepgram.com

账号		自动登录	找回密码
密码			快速注册

[资讯] Deepgram推出高级对话式语音识别模型 Flux

相关帖子