近日，阿里云百煉上線了全新音視頻實時互動功能，用戶可在百煉上自由選擇文本、語音和視覺理解等200多款模型，無需代碼，數分鐘即可搭建一個能聽、能看、會說的專屬AI助手。阿里云百煉還支持以sdk的形式集成到Web、ioS和安卓應用，可應用于AI虛擬助手、虛擬陪伴和AI老師等場景。
用戶在百煉上幾分鐘即可搭建一個能聽、能看、會說的專屬AI助手
過去一年，大模型正在從純文本模態(tài)向語音和視覺等多模態(tài)演進，極大地拓寬了大模型應用的想象空間。然而現(xiàn)有單一模型仍舊無法處理復雜的任務，為了進一步加速單一大模型構建成像人一樣自然交互的復雜AI應用，阿里云百煉提供了200多款語言模型Qwen、視覺語言模型Qwen2-VL、語音合成模型CosyVoice等全模態(tài)全尺寸大模型，同時聯(lián)合阿里云AI實時互動方案，在國內率先為用戶提供了便捷的工作流應用和智能體編排應用，例如支持構建RAG知識庫、Prompt調優(yōu)、sdk集成等。
據介紹，在視覺理解模型方面，阿里云Qwen2-VL具備強大的視覺智能體能力，例如采用多模態(tài)旋轉位置嵌入(M-ROPE)方法，能夠同時捕捉和整合一維文本序列、二維視覺圖像以及三維視頻的位置信息，模型具備更好地理解和建模復雜的多模態(tài)數據，該模型一經推出就成為開源社區(qū)最受歡迎的多模態(tài)大模型;在音頻方面，阿里云語音合成模型CosyVoice，通過對生成語音的情感、韻律進行細粒度的控制，情感表現(xiàn)力上得到明顯提升，阿里云AI實時互動方案還可提供化智能降噪、智能打斷、智能斷句等超擬人對話能力。
以搭建一個視覺能力的AI應用為例，用戶進入百煉應用控制臺后，僅需上傳圖片知識庫、編寫提示詞、設置音頻、調優(yōu)這四步，數分鐘內就能創(chuàng)建一個能完成專屬視頻交互的AI應用，基于Qwen-VL強大的視覺推理能力，它不僅能識別物體的種類，還能準確描述物體的風格、特點、位置以及物體上的文字等關鍵信息。此外搭建好的應用還支持以音視頻sdk集成到用戶的Web、ioS或者安卓應用中，幫助企業(yè)快速實現(xiàn)業(yè)務創(chuàng)新。
據介紹，阿里云百煉上的通義API每百萬tokens價格已降至0.3元，一汽、金山、哈啰集團、國家天文臺等超30萬企業(yè)和機構在使用阿里云百煉。
