Amazon 早前宣布推出全新基礎模型 Amazon Nova Sonic，將語音理解與語音生成統一於單一的模型中，使 AI 應用程式中的語音對話更貼近真人交流。該模型透過 Amazon Bedrock 上的 API 提供，可簡化語音應用開發流程，例如客戶服務通話自動化，以及涵蓋旅遊、教育、醫療、娛樂等領域的跨行業 AI agents。

若要讓語音 AI 創造更多實際價值，必須能夠理解人類對話的微妙與複雜性。對話中，文字本身承載著意義，不過若缺乏聲音語境為它賦予深度，僅憑文字往往難以傳達完整資訊。如何表達與表達甚麼同樣重要，甚至更為關鍵。從過去直到現在，透過 AI 實現這一點仍是重大挑戰。

捕捉語氣、風格與節奏的語音系統

傳統語音應用開發須協調多個模型，例如將語音轉為文字的語音識別模型、理解並生成回覆的大語言模型（LLM）、將文字再轉為音檔的文本轉語音模型。這種分散的方法不僅增加了開發的複雜性，同時也難以保留自然對話中至關重要的聲學情境和細微差別，如語氣、語調韻律和說話風格等。

Nova Sonic 摒棄了使用多個不同模型的方式，將理解與生成功能統一於單一模型之中。這種整合使模型能根據語氣、風格等聲學情境，以及口語輸入調整所生成的語音響應，從而實現更自然的對話。Nova Sonic 甚至能理解人類對話的細微之處，包括說話者的自然停頓與猶豫，能在恰當時機做出回應，並能從容應對對話中的插話情況。

>> 按此聆聽基於 Amazon Nova Sonic 構建的旅遊 AI 代理示例

這段對話展示了客戶與虛擬旅遊助手討論夏威夷行程的場景。當客戶的語氣從興奮轉為擔憂費用時， AI 的語調隨之變得更具安撫性，並即時調取相關價格資訊。

該模型還會為用戶語音生成文字謄寫，讓開發者能夠利用這些文本來調用特定工具與 API，從而構建語音 AI 代理。比如在這個示例中，AI 旅遊代理可以透過獲取最新的航班資訊來協助機票預訂。這些功能，加上其超快的推理能力，使 Nova Sonic 支援的語音應用不僅更加自然，而且實用性更強。

>> 按此聆聽基於 Amazon Nova Sonic 構建的企業 AI 助手示例

此範例中，助手能夠提取報告，並以自然對話的方式傳遞準確資訊，同時主動提出相關的後續問題。這種流暢的對話模式支援多輪互動，無須說話者額外設定對話背景。

因對話中的語氣、風格和語調等聲學細節，賦予了文字更多的深度和意義，因此貼近真人的語音對話對傳遞完整資訊至關重要。能捕捉語境和語調，並做出更自然流暢回應的語音 AI 代理，在服務相關行業有莫大潛力，可為用戶創造實際商業價值。