云知声发布“山海·知音”2.0语音大模型，聚焦多方言与端到端交互能力

大模型之家讯今日，云知声发布了“山海·知音”大模型2.0。这是继年前完成“山海·知医”5.0医疗大模型升级之后，其围绕“山海·Atlas”通用智算基座持续演进的重要一步，也标志着云知声“一基两翼”技术战略在语音与交互侧的进一步补齐。

从定位上看，“山海·Atlas”承担的是多模态、跨语言的通用能力底座，而“山海·知医”“山海·知音”等则是面向具体场景的专业智能体。此次发布的“山海·知音”2.0，核心聚焦语音理解、语音生成以及端到端交互能力，试图解决复杂真实场景中“听得准、说得像、反应快”的问题。

从“听清楚”走向“听明白”

在语音识别（ASR）层面，云知声披露，“山海·知音”2.0在公开测试集和自有全场景测试集中，整体指标达到或超过国内主流开源与闭源语音大模型的水平。尤其在复杂噪声和方言口音场景中，识别性能相较主流ASR模型提升约2.5%至3.6%，在复杂背景音条件下，识别准确率首次在其测试体系中突破90%。

更具指向性的变化体现在对专业语境的理解能力上。模型不再仅依赖字面匹配，而是通过上下文推理与行业知识注入，提高对专业术语和指令的识别准确度。云知声给出的数据显示，在部分专业场景中，相关识别精度提升可达30%。例如在汽车销售、医疗记录转写等场景中，模型能够在上下文不完整的情况下，推断并识别特定术语。

在语言覆盖面上，“山海·知音”2.0支持30余种中文方言及14种外语的识别与转写，并尝试将语音与视觉语义进行融合，用于会议、讲义等多模态场景，以提升整体理解效果。

语音合成向“拟人化”和“低延迟”推进

在语音合成（TTS）方面，云知声将此次升级的重点放在拟人化表达与实时交互能力上。目前模型支持包括粤语、四川话、上海话在内的12种方言，以及日语、韩语、泰语等10种外语，并可在普通话中切换多种风格。合成语音中对笑声、停顿、呼吸等细节的保留，被视为提升自然度的重要手段。

技术层面，云知声针对大模型语音合成中普遍存在的延迟问题进行了结构调整。不同于传统基于流匹配分段处理的方案，其采用纯因果注意力机制的流匹配模块，并与神经声码器进行联合优化，构建端到端的流式推理架构。在官方披露的数据中，低并发场景下的首包延迟已压缩至90毫秒以内，接近实时交互的要求，同时未明显牺牲音质。

此外，模型还支持一句话声音复刻及长文本合成，面向有声内容制作、陪伴式阅读和播客等应用场景。