SpeechGPT 2.0-preview的多模态控制能力远超行业标准

2025-09-10

1.6 K

革命性的多维度语音控制体系

SpeechGPT 2.0-preview建立了语音AI领域最完善的多维度控制系统：1）情感维度支持8种基础情绪和24种复合情绪的表达；2）风格维度涵盖正式、轻松、幽默等12种对话风格；3）音色库包含200+特征音色，可通过声纹特征进行个性化定制。

这种精细控制得益于三大核心技术：多功能语音数据清洗pipeline确保数据质量、全方面多粒度标注系统实现精准标记、语义-声学联合模型保证生成效果。用户可通过自然语言指令（如”用伤感的语气朗读《静夜思》”）唤起系统的多模态表达能力，切换响应时间不超过300毫秒。

在实际测试中，该系统的情感识别准确率高达92.3%，风格转换成功率达到88.7%，均超过同类产品15个百分点以上。