云知声发布“山海·知音”2.0：ASR首次突破90%噪声识别率，TTS支持12方言+全双工实时对话

SmartHey1月26日消息，云知声今日正式发布‘山海·知音’大模型2.0，标志着其‘一基两翼’技术战略升级迈出关键一步——以‘山海·Atlas’通用智算基座为根基，协同‘山海·知医’等垂直智能体，加速AI能力向真实生活场景深度渗透。

‘山海·知音’2.0聚焦三大核心进化：听懂专业与乡音、聊出亲情与温度、实现极致机敏反应，全面提升人机语音交互的准确性、自然度与实时性。

听懂专业与乡音——ASR全景升级

本次升级的语音识别（ASR）能力在公开测试集与云知声自建全场景测试集中均表现卓越，覆盖从日常对话到医疗问诊、方言播报、嘈杂环境等极端用例，综合性能超越国内主流开源及闭源语音大模型，达行业领先水平。

尤为突出的是，在高干扰复杂噪音与多方言口音混合场景下，识别准确率相较主流ASR模型提升2.5%–3.6%；在强背景音环境下，识别准确率首次突破90%，创下业界新标杆。

公有测试集

随着智能体时代全面到来，云知声在持续迭代‘山海·Atlas’多模态、跨语言通用基座的同时，已于年前完成‘山海·知医’5.0医疗大模型升级；此次‘山海·知音’2.0的发布，进一步补全‘一基（Atlas基座）两翼（知音交互+知医垂类）’技术拼图。

自有测试集

聊出亲情与温度——TTS声动进化

作为ASR的‘声音出口’，‘山海·知音’TTS系统以‘高度拟人化+创意表达力’为核心突破。当前已支持12种中文方言（含粤语、四川话、上海话等）及10种外语，更精细还原清嗓、轻笑、呼吸等副语言特征；普通话可切换12种风格——温柔、干练、亲切、沉稳等随需而变，真正践行‘科技不该高高在上，而该用你最舒服的方式说话’。

传统大模型驱动的TTS常采用流匹配（Flow Matching）+神经声码器两段式架构，虽保质量但延迟偏高。为兼顾高质与实时，云知声首创基于纯因果注意力机制的端到端流匹配模块，并与神经声码器联合优化，构建全链路纯流式推理架构。

因果注意力机制

该方案在不牺牲音质前提下显著压缩延迟：低并发场景下首包响应时间压至90毫秒以内，达到人耳无感的实时交互水准，为车载、陪护、远程问诊等强交互场景提供坚实支撑。

极致机敏反应——端到端全双工交互

真正的智能对话，不止于‘答得快’，更在于‘听得懂上下文、接得住情绪变化、断得了也续得上’。‘山海·知音’2.0依托全新端到端交互大脑，攻克流式收音中同步理解、决策与生成的技术难关，实现毫秒级打断响应、无缝接话与连贯多轮追问，交互体验趋近真人对话——‘这不是问答，是对话。’

上述能力的背后，是云知声自研的‘山海·Atlas’智算一体基座：它并非简单叠加ASR/TTS/LLM模块，而是将多模态感知、语言理解、语音生成深度融合进统一端到端大模型架构，从根本上打破传统级联式系统的延迟瓶颈与语义割裂，释放出远超模块叠加的协同效能。

智起山海，知音万物。从三甲医院手术室到偏远乡村卫生站，从智能座舱到独居老人床头，云知声始终相信：AI的价值不在参数规模，而在是否真正‘听得清、说得真、懂人心’。‘山海·知音’2.0，正让人工智能卸下冰冷外壳，成为可信赖、有温度、会共情的生活伙伴——这一次，AI终于学会好好说话了。