亚马逊发布 Nova Sonic 语音到语音模型

背景

语音应用过去通常由几个独立模型拼接而成：一个负责语音识别，一个负责理解请求，另一个负责生成语音。亚马逊把 Nova Sonic 介绍为一种把这些步骤合并进单个模型的方式，用于生成式 AI 应用中的语音对话。^[1]

发生了什么

2025 年 4 月 8 日，AWS 在 Amazon Bedrock 中推出亚马逊 Nova Sonic。^[1] 模型把语音理解和语音生成合并在一起，并通过一种新的双向流式接口（bidirectional streaming API）让音频在两个方向上实时流动。^[1]

关键细节

模型上线时提供美式英语和英式英语语音。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，即到 2025 年 7 月，共有这些语言可用。^[1] 模型支持工具调用（tool use），也支持检索增强生成（retrieval-augmented generation），因此应用可以让模型在回答前调用外部功能或查找材料。^[1] 它的上下文窗口为 30 万个词元（300K tokens）。^[1]

传统语音系统会把声音经过几个独立环节处理：语音识别把声音转成文字，语言模型读取文字并写出回复，语音合成再把回复变回声音。每一次交接都可能丢失语气等信息，也会增加延迟。语音到语音模型则直接接收音频并输出音频，对话因此可以更自然地进行。被打断是检验这种设计的典型场景：用户在模型说话时插话，模型需要停下、听完，并仍然记得之前的上下文，再继续回答。

影响

这次发布为亚马逊的 Nova 家族和 Amazon Bedrock 增加了一款语音到语音模型。它之后由 Nova 2 Sonic 接替，亚马逊于 2025 年 12 月宣布了后者。^[1] 该模型的 ID 为 amazon.nova-sonic-v1:0。^[1]