作者 | 邓咏仪

编辑 | 苏建勋

随着AI大模型技术落地，AI应用正如雨后春笋般不断出现。

6月1日，阿里云宣布通义大模型新进展，AI音视频新品“通义听悟”正式上线，并且正式开启公测。

通义听悟是基于阿里云通义千问大模型开发的AI应用，主要针对音视频内容进行转写、检索、摘要和整理，比如用大模型自动做笔记、整理访谈、提取PPT等。

事实上，通义听悟的前身是阿里云内部一个名为“听悟”的产品，主要功能包括实时会议、音频转写功能，“听悟”自2022年年底就开始小范围内测。

通义听悟

不同于传统的实时会议速记转写，如今面向C端提供视频转写服务的应用尚在少数。而如今的通义听悟，则从纯粹的音频转写，延伸到了音视频领域，融合了十多项AI新功能。

阿里云智能CTO周靖人表示，听悟集成了阿里最先进的语音和语言技术，比如，阿里新一代工业级语音识别模型——其识别准确率在多个权威中文数据集上名列第一。融合自研语音语义多模态说话人算法后，听悟能对10人以上说话场景进行角色区分。如今有了通义千问大模型的能力，听悟也能够对上万字的音视频内容进行摘要总结。

在听悟中，用户可以将视频/音频上传，完成录音转写。根据36氪的体验，在音频转写速度上，听悟的处理速度不错——对1-2小时的音频，听悟一般在数分钟内就能转写完毕。

音频转写完毕后，听悟还能够做到中英对照翻译，还能够一键总结会议要点，划分章节、区分不同发言人的观点、整理待办事项等等。

根据阿里云，通义听悟未来还有更多基于大模型的功能上线。比如，对视频中出现的PPT，AI能够基于通义千问大模型做到一键提取，而用户也能向AI助手针对多个音视频内容进行提问、让听悟概括特定段落等等。

值得注意的是，听悟目前针对一些细分场景中提供了不同的部署形态，如浏览器插件。在Chrome安装听悟插件后，听悟在无字幕视频中就可以实时生成双语悬浮字幕。二转写结果可下载为字幕文件，方便新媒体从业者视频后期制作。

通义千问Chrome插件示意图，近期该功能将上线

在会上，阿里云也介绍了几个已经落地的应用场景。

比如，在阿里云盘中，用户可以一键转写云盘中的文件，在云盘内在线播放视频时，能够实时生成字幕。

而钉钉的在线会议模块“钉闪记”，同样集成了听悟。在会议结束后，钉闪记所能够输出的也不再是纯粹的速记，而是包含重点摘要的完整文档，可以有效地提升公司内部工作效率。甚至，在开会时，AI可以代为记录会议、整理要点。

听悟会以个人版和企业版两种形式提供服务，未来一段时间就将在夸克APP、阿里云盘等端口提供服务。据阿里云，听悟企业版当前已在阿里集团内部被广泛使用，帮助减少了大量会议记录和整理的工作。

在定价上，听悟也跟随阿里云近期的大降价策略。在公测期间，用户可领取100小时以上听悟免费转写时长。听悟用户可通过每日登陆、官方微博、微信及各大平台社区领取口令码，用户的福利权益可累积，一年内有效。

从通义听悟的发布可以看出，国内大模型厂商除了在底层大模型上快马加鞭外，应用层也不能落下——AI对音视频转写、内容理解等功能“加buff”，某种程度上也是AI将各种通用能力“再做一遍”。通过这些能力，厂商们覆盖开会、上课、培训、面试等场景，嵌入到不同的软件当中，才能挖掘更大的商业机遇。