Amazon Nova Sonic

是什么

Amazon Nova Sonic 是 Nova 系列中的语音到语音（speech-to-speech）基础模型，2025 年 4 月 8 日发布，并通过 Amazon Bedrock 提供^[1]。它最突出的特点是不把一次口语对话拆成几件彼此独立的事情：语音识别、语言理解和语音生成都在同一个模型内部完成，而不是在转录模型、语言模型和文本转语音系统之间来回交接^[1]。

这个设计选择本身就是推出它的理由。AWS 把「串联语音识别组件、语言模型和文本转语音组件」的传统做法形容为割裂的，并称这类流水线容易在环节之间丢失语气、韵律和说话风格^[1]。一个既能听音频又能产出音频的单一模型，把这些特性留在同一个系统里。AWS 表示，这种统一架构不需要额外的模型就能实现富有表现力的语音生成和实时文本转录，并称其具备业界领先的性价比^[1]。

开发者怎么用

Nova Sonic 通过新的双向流式 API InvokeModelWithBidirectionalStream 调用，运行在 HTTP/2 之上，模型 ID 为 amazon.nova-sonic-v1:0^[1]。双向流式正是自然来回对话的前提：音频一边输入、一边输出，而不是让用户说完、等完整转录、再等合成好的回复。

模型的上下文窗口为 300K token，默认连接时限为 8 分钟^[1]。它被设计为能够处理打断和背景噪声而不丢失对话上下文^[1]——这些看似琐碎的细节，决定了一个语音接口是好用还是脆弱。

对话之外，Nova Sonic 还支持实时转录和工具调用，包括配合 Bedrock Knowledge Bases 做检索增强生成（retrieval-augmented generation）^[1]。这意味着基于它构建的语音应用可以在对话中途到已连接的知识源里查资料，而不只是依靠模型自身已有的内容作答。

语言与防护

发布时该模型支持美式英语和英式英语^[1]。西班牙语于 2025 年 6 月 12 日加入，法语、意大利语和德语于 2025 年 7 月 16 日加入^[1]。7 月的更新还带来了 6 种富有表现力的音色，提供偏男声和偏女声的选项^[1]。

模型内置内容审核与水印（watermarking），首发区域为美国东部（弗吉尼亚北部）^[1]。对一个输出本身就是合成语音的系统来说，水印有实际意义：它让下游系统和听者能够辨认出由机器生成的音频。

处在什么位置

Nova Sonic 体现的是语音接口搭建方式的一步转变：从把专门的模型拼接成一条流水线，转向用一个模型端到端地用音频承载对话。围绕它给出的实际说法集中在延迟、表现力和成本上，而不是推理能力上的新突破。

它在家族中占据顶端的时间并不长。Nova Sonic 的继任者是 2025 年 12 月发布的 Nova 2 Sonic^[2]。第一代模型更适合被理解为这样一个节点：Amazon 把语音到语音收进单一基础模型，并通过 Bedrock 开放给开发者，后续工作在此基础上继续推进。