Soul wird Loxinity auf den Markt bringen, ein selbst entwickeltes Produkt für sprachbasierte, visuelle und multimodale Interaktion.

Exklusiv von Du Jia erfahren, wird Soul ein speziell für Interaktionsszenarien entwickeltes Sprachsyntheseprodukt mit überaus lebensechtem menschlichen Ausdruck namens „Loxinity“ auf den Markt bringen. Im Gegensatz zu den auf Synchronisation und Kurzvideos ausgerichteten TTS-Produkten auf dem Markt zielt dieses Modell von Grund auf auf Echtzeit-Interaktionsszenarien ab und legt den Schwerpunkt auf ein starkes lebensechtes Gefühl. Es unterstützt zwei Modi: Einzelperson-Synchronisation und Mehrpersonen-Dialog, wird mit Werkzeugen wie Stimmlagenklonung und Stimmlagengestaltung ergänzt und bietet zudem offenen API-Zugang. Unter Loxinity befinden sich das Sprachsynthesemodell Loxi Speech und das Videogenerierungsmodell Loxi Avatar.

Aus aktueller Sicht legt Loxinity im Vergleich zu herkömmlichen Sprachmodellen, die nur auf standardisierte Aussprache abzielen, mehr Wert auf parasprachliche Details wie Tonfallpausen und emotionale Schwankungen im Dialog, um kontinuierliche Sprachinteraktionen in sozialen Szenarien zu unterstützen.

Die Mission dieses Produkts lautet: KI-Interaktion natürlicher zu gestalten – durch Sprach-, Bild- und Multimodaltechnologien die Distanz zwischen Mensch und Intelligenz zu verringern. Das ist ein anspruchsvolles Ziel, es ist nicht auszuschließen, dass dieses Produkt neben dem sozialen Geschäft von Soul zu einem wichtigen Versuch im Bereich der KI-Sprachszenarien wird.

Soul bringt KI-Sprachfunktionen in Kombination mit Echtzeit-Videoanrufen und digitalen Avataren auf den Markt

Bei praktischen Tests des KI-Produkts Loxinity von Soul durch Du Jia wurde festgestellt, dass dieses Produkt auf dem Sprachsynthesemodell Loxi Speech und dem Videogenerierungsmodell Loxi Avatar basiert. Es handelt sich zudem nicht nur um ein einzelnes Sprachsynthesewerkzeug, sondern um ein integriertes KI-Audio-Video-Lösungspaket für Echtzeitinteraktionen, das sich in drei Kernbereiche gliedert: Sprachsynthese, Echtzeit-Videoanrufe und digitale Avatare.

Das Sprachsynthese-Modul unterstützt Einzelperson-Synchronisation und Mehrpersonen-Dialog, verfügt über Funktionen zur Stimmlagenklonung und Stimmlagengestaltung und kann zudem Parasprache, Pinyin und Emotionsmarkierungen hinzufügen. Der Optimierungsschwerpunkt liegt auf Dialogszenarien, bei denen Pausen und Tonfallschwankungen menschlicher Sprache besonders nachgebildet werden. Gleichzeitig wird offener API-Zugang bereitgestellt, wobei zwei Abrechnungsmodelle verwendet werden: Punkte-basiertes System und Abonnement-Pakete.

Der Bereich für digitale Avatare und Echtzeit-Videoanrufe ist ein weiterer Schwerpunkt dieses Produkts. Nutzer können Bilder hochladen, um das Erscheinungsbild des digitalen Avatars individuell anzupassen, Textskripte eingeben oder Audiodateien hochladen, um entsprechende Videos mit digitalen Avataren zu generieren.

Die Plattform stellt verschiedene vordefinierte Rollen zur Verfügung, darunter realistische Personen, Anime-Figuren und Fantasy-Charaktere, um KI-Virtualrollen mit Echtzeit-Dialogfunktion zu erstellen. Auf der Seite werden zudem zahlreiche von Nutzern erstellte Beispiele für Interviews und Lehrveranstaltungen angezeigt.

Insgesamt gesehen weicht Loxinity von dem überfüllten Wettbewerbsfeld der allgemeinen großen Modelle ab und spezialisiert sich auf interaktive Audio-Video-KI. Viele vergleichbare Werkzeuge für digitale Avatare leiden unter Problemen wie starkem vorlesungsartigem Tonfall und Asynchronität von Ton und Bild. Loxinity hingegen verbindet Sprachsteuerung und digitale Avatar-Treiber von Grund auf, sodass die Sprachfunktion kontinuierliche Dialoge unterstützen kann.

Natürlich gibt es noch Unsicherheiten. Bei solchen Echtzeit-Interaktionsprodukten liegen die Kernengpässe in der Stabilität bei lang andauernden Dialogen und der End-to-End-Latenz. Nach der Verlassenheit der internen sozialen Szenarien von Soul für die Auslieferung an externe B2B-Kunden müssen die Parallelverarbeitungskapazität, die Nutzungskosten und die Natürlichkeit der Mikroausdrücke der digitalen Avatare noch durch mehr praktische Projekte validiert werden. Wie viel Anerkennung dieses aus einer sozialen Plattform stammende KI-Interaktionsprodukt schließlich auf dem Markt erzielen wird, bleibt abzuwarten.

Vom internen sozialen Geschäft zur externen Auslieferung: Soul setzt auf interaktive KI

Die Kernanforderung junger Menschen an KI liegt nicht in textbasierten Frage-Antwort-Interaktionen, sondern in immersiven Interaktionen mit emotionalem Gehalt, die realen Menschen nahekommen. Bevor Loxinity überhaupt auf den Markt kam, hat Soul bereits mehrere Runden praktischer Versuche innerhalb der Plattform durchgeführt.

Im Jahr 2022 hat Soul den KI-Chatbot „AI Goudan“ eingeführt, der als erster KI-Begleiter auf alltägliche Dialoge und aktive emotionale Fürsorge ausgerichtet ist und nicht mehr auf Frage-Antwort-Interaktionen beschränkt ist. Gleichzeitig wurde die NAWA-Virtual-Character-Engine eingeführt, mit der Nutzer eigene virtuelle Avatare erstellen, KI-Dialoge in virtuelle Charaktere einbinden und virtuelle soziale Szenarien aufbauen können. Im Jahr 2023 veröffentlichte Soul offiziell das selbst entwickelte, emotionsorientierte vertikale große Modell SoulX, das als Basis für emotional wahrnehmende Interaktion positioniert ist. Es folgt nicht dem Trend zur Entwicklung allgemeiner großer Modelle, sondern konzentriert sich auf die Stärkung der Fähigkeit der KI, Emotionen zu verstehen, die festgelegte Persönlichkeit beizubehalten und sich an lange Kontexte zu erinnern.

Auf Basis der SoulX-Basis wurden eine Reihe von KI-sozialen Produkten nacheinander eingeführt. Die Plattform hat KI-Malerei und KI-Anime-Sänger eingeführt, mit denen Nutzer virtuelle Abbilder und KI-Stimmen erstellen können. Es wurde ein end-to-end-Voll-Duplex-Sprachmodell eingeführt, das in Gruppenchat-Partys einen KI-Moderator implementiert, der Echtzeit-Einwürfe und natürliche Unterbrechungen unterstützt, den Dialogrhythmus echter ungezwungener Mehrpersonen-Gespräche nachbildet und mechanische Interaktionen beseitigt. Szenarien wie Werwolfspiel und virtuelle Begleiter innerhalb der Plattform nutzen diese Sprachfunktion, um lang andauernde kontinuierliche Sprachdialoge zu realisieren. All diese internen Szenarien lieferten die Grundlage für die kontinuierliche Iteration und Verbesserung dieser „lebensechten“ Interaktionstechnologie.

Das Wettbewerbsfeld der allgemeinen großen Modelle ist bereits von Großkonzernen überfüllt. Soul tritt nicht direkt gegen sie an, sondern wählt das Feld der emotionalen Interaktion aus. Die riesigen Mengen an echten menschlichen Dialogproben, die Soul über Jahre im sozialen Geschäft gesammelt hat, stellen seinen Kernvorteil bei der Optimierung von Parasprache und natürlichem Dialogrhythmus dar.

Die Herausforderungen sind jedoch ebenso klar: Wenn die in internen Szenarien validierten Interaktionsfähigkeiten an externe B2B-Kunden ausgeliefert werden, stellen Parallelverarbeitungskapazität, Echtzeit-Latenz und Projektkosten harte Schwellen dar. Das kommerzielle Potenzial dieser KI-Fähigkeiten muss noch durch praktische Marktfälle überprüft werden. #Soul#Soul bringt KI-Produkt auf den Markt#Soul führt Loxinity ein