Tencent Hunyuan Hy Realtime ovozli AI modeli qidirish zarurligini mustaqil aniqlay oladi va soʻrov boʻyicha qoʻshiqlar ijro etadi

Fudan universiteti va MOSI Intelligence jamoasi oʻzlarining toʻliq ikki tomonlama ovozli oʻzaro aloqa tizimi MOSS-Live haqida batafsil baholashni taqdim etdi. Ushbu tizim OpenAI ning GPT-Live-1 va GPT Realtime 2.1 kabi modellar bilan, shuningdek, ByteDance ning Doubao SeedDuplex va ikkita Qwen Audio 3.0 modeli bilan solishtirildi. OpenMOSS blogidagi 13-noyabr maqolasida MOSS-Live ning ustunlik va kamchilik sohalari bayon etilgan. Eʼtiborga loyiqki, keltirilgan barcha raqamlar yetkazib beruvchilarning maʼlumotlari boʻlib, namunalar hajmi, noaniqlik baholari va sinovning toʻliq shartlari oshkor qilinmagan.

MOSS-Live toʻliq ikki tomonlama oʻzaro aloqaning oltita eʼlon qilingan metrikasida birinchi oʻrinni egalladi. Tizim unga murojaat qilinmagan nutqqa faqat 2% hollarda javob berdi, bu GPT-Live-1 da 68% va Doubao SeedDuplex da 75% dan sezilarli darajada yaxshiroq. Bundan tashqari, u foydalanuvchi pauzasi paytida faqat 1,44% hollarda aralashdi, bu raqobatchilarda 10,37% va 14,29% ga qaraganda kamroq. Tizim tashqi toʻsiqlarni 68% holatlarda toʻgʻri eʼtiborsiz qoldirdi, boshqa modellarning koʻrsatkichlari esa 21% va 13% ni tashkil etdi, va qisqa tasdiqlashlar kabi «mm-hm» da 98,17% holatlarda oʻz xatti-harakatini saqlab qoldi.

Boshqa parametrlardagi natijalar noaniq boʻldi. FDB v3 vositalaridan foydalanganda MOSS-Live 51% muvaffaqiyat koʻrsatdi, bu uni lider sifatida Doubao SeedDuplex bilan tenglashtirdi va GPT-Live-1 ning 45% dan ustun keldi. Biroq, vositalardan foydalanish ssenariylaridagi tizimning javob berish vaqti 2,36 soniya tashkil etdi, bu GPT Realtime 2.1 ning 1,61 soniyasiga qaraganda sekinroq boʻldi. Koʻp bosqichli vazifalar benchmarki τ-Voice da MOSS-Live 57,93% olib, GPT-Live-1 ning 67,68% ga chekindi, ammo Doubao ning 17,38% dan sezilarli darajada ustun keldi. Tizim ikki soniya davomida ovoz huquqini yoʻqotgan holatlar foizi 52,49% ni tashkil etdi, bu Qwen Audio modellarining 93% dan ancha past. Big-Bench Audio da audio tushunish boʻyicha MOSS-Live 88,40% koʻrsatdi, bu Doubao ning 90,50% dan past edi. Koʻp bosqichli koʻrsatmalarga amal qilishda tizim 5 ballik tizimda 3,35 ball olgan, GPT-Live-1 esa 3,72 ball olgan, ammo MOSS-Live toʻxtashlardan keyingi javob sifati boʻyicha 4,88 ga erishib, yetakchilikka ega boʻldi.

MOSS-Live arxitekturasi tinglash, ketma-ketlikni boshqarish va nutq bilan shugʻullanadigan fon modelini, fikrlash, vositalarni chaqirish va uzoqroq vazifalar uchun masʼul boʻlgan fon modelini birlashtiradi. Bu ikki model koordinatsiya darajasi orqali xotira, kontekst va vazifa holatini almashadi, bu mehmonxonalar qidirilayotganda yoki boshqa operatsiya bajarilayotganda ham dialogni davom ettirish imkonini beradi. Tizim shuningdek, streaming videoni, ekranni namoyish etishni va real vaqtda talqin qilishni qoʻllab-quvvatlaydi.

Tizim onlayn sandbox orqali va moss-live-1.0 identifikatori ostida WebSocket realtime API orqali mavjud. Shangiay innovatsion institutining inkubatorida joylashgan MOSI Intelligence, OpenMOSS jamoasi bilan birgalikda avval MOSS-Image va MOVA modellarini chiqarib beryapti.

Google Clouddagi sotuvlar va GTM AI boʻlimi rahbari Naren Kachroo eng qimmatli sunʼiy intellekt – bu berilgan vazifani toʻliq bajaradigan sunʼiy intellekt ekanligini taʼkidladi. U qiymat faqatgina vazifa haqiqatan ham AI yordamida yakunlanganda yaratilishini taʼkidladi.

TechSparks 2026 tadbirida, "Amalda ovozli AI" deb nomlangan mahsulotni namoyish etayotganda, Kachroo Googlening eng soʻnggi ovoz modellarini, mijozlar tomonidan qoʻllanilish misollarini va kichik biznes uchun ishlab chiqilgan jonli namoyishni koʻrsatdi. Uning asosiy fikri shundaki, ovoz odamlar va AI oʻzaro muloqot qilishning asosiy usuliga aylanmoqda va Hindistonda bu oʻz mahalliy tillari va aksentlari bilan sodir boʻladi.

Kachroo sanoat generativ AI tushunchasidan faqat savol-javob vositasi sifatida chetga chiqqanini taʼkidladi. U diqqat maʼlumotlarga, vositalarga va inson nomi bilan harakat qilish imkoniyatiga ega boʻlgan AI ga oʻtganini tushuntirdi.

Google yaqinda Gemini 3.8 Live va Gemini 3.8 Live Extended Thinking ni taqdim etdi. Gemini 3.8 Live modeli bitta suhbat doirasida 97 ta qoʻllab-quvvatlanadigan til oraligʻida tanib olish va almashish qobiliyatiga ega. Kachroo korxonalar bu ikki model orasida qanday tanlashlari mumkinligini tushuntirdi.

Gemini 3.8 Live modeli dialog va agentlik funksiyalari bilan bogʻliq oddiyroq vazifalar uchun mos keladi, masalan, asosiy vosita chaqiruvi bilan ovozli chat uchun. Extended Thinking esa chuqurroq fikrlash, kontekstni almashtirish va bir nechta bosqichlarni bajarishni talab qiladigan dialoglar uchun moʻljallangan. Shuningdek, u Extended Thinking token boʻyicha qimmatroq ekanligini eslatdi.

Ikkala model ham "ovozdan ovozga" turdagi modellar boʻlib, nutqni tizim ichida kirish va chiqish maʼlumotlari sifatida qayta ishlaydi. Jarayonning faqat bir qismi kerak boʻlgan dasturchilar uchun Google matnni nutqqa, nutqni matnga va jonli tarjima qilish uchun alohida modellar ham taklif qiladi.

Kachroo oxirgi Gemini matnni nutqqa aylantiruvchi modeli Hindiston tillari, aksentlari va ohanglaridan foydalangan holda Googlening ichki sinovlarida yuqori natijalar koʻrsatganini maʼlum qildi. U mumkin boʻlgan foydalanish ssenariylari spektrini koʻrsatish uchun bir qator qisqa namoyishlar oʻtkazdi.

Birinchi misolda Shopify yordamchisi Sidekick sotuvchiga Shopify admin panel orqali domenni bosqichma-bosqich ulashga yordam berdi. Ikkinchi misolda ovozli agent restoran uchun sakkiz kishilik stol bron qildi. Qoʻngʻiroq jarayonida qoʻngʻiroq qiluvchi tortni ruxsat berilishi mumkinmi deb soʻradi, Google sharhlaridagi rasmdan fotosuratni ulashib, taom vegetarian ekanligini bilib olishni soʻradi va bronni tasdiqlashdan oldin boshqa vegetarian variantlar haqida maʼlumot soʻradi. Bu ikkinchi ssenariy agentdan bir nechta suhbat bosqichi davomida kontekstni kuzatib borish, afzalliklarni eslab qolish va bir nechta vosita chaqiruvlarini bajarishni talab qildi, bu Kachroo soʻzlariga koʻra, Extended Thinking ga mukammal mos keladi.

U shuningdek, Gemini ning jonli ovozini real vaqtda video yaratish va lablarni sinxronlashtirish bilan birlashtiradigan Live Avatar ni namoyish etdi, bu foydalanuvchilarga faqat ovozni eshitish emas, balki animatsiyalangan yuzni koʻrish imkonini beradi. Google yaqinda Live Avatar ni Gemini Enterprise orqali bizneslarga taqdim etdi, yaratilgan audio va video kontentni SynthID koʻrinmas suv belgisi bilan belgiladi. Citi pilot mijoz sifatida ishtirok etdi: Google DeepMind va Gemini Live API ning real vaqtda avatar texnologiyasi yordamida yaratilgan Citi Sky yordamchisi AQSh farovonlik sohasidagi mijozlarga depozit sertifikatini yopish kabi qarorlar qabul qilishda yordam beradi.

Kachroo Gemini 3.8 Live ning tenglashtiriladigan modellardan eng past narxga ega ekanligini, Extended Thinking esa nutqni ovozga aylantirish sifatining sanoat standartlarini belgilayotganini taʼkidladi. Google Extended Thinking ning Artificial Analysis tomonidan ovozdan ovozga tarjima sifati indeksi boʻyicha 82.6 ball olganini maʼlum qildi, bu eng yuqori koʻrsatkichdir.

U narxning pastligi Google butun stekni oʻzi boshqarishi — TPU chiplari va infratuzilmadan tortib modellar va ilovalargacha — sababli ekanligini aniqlashtirdi va shu samaradorlikni mijozlarga yetkazib beradi. Bu Googlega yuqori sifatli modelni ham, yanada iqtisodiyroq ishchi otni ham taklif qilish imkonini beradi.

Ovozli AI foydalanish misollari sifatida Kachroo ikkita mijozni keltirdi: Autotrader, bu texnologiyadan ishlatda mashinalar sotib olish va sotish uchun, va Equal AI, hindiston startapi, uning yordamchisi foydalanuvchi telefonni koʻtarishidan oldin qoʻngʻiroqlarga javob beradi va ularni qayta ishlaydi.

Sessiyaning markaziy elementi Kachroo jamoasi taxminan bir kun ichida ishlab chiqqan mikro-, kichik va oʻrta biznes (MKMB) uchun yordamchining jonli namoyishidir. Bu katta potentsial bozor: MKMB vazirligining maʼlumotlariga koʻra, 2026-yil fevraliga qadar Udyam hukumat portali orqali 7,8 milliarddan ortiq korxona roʻyxatdan oʻtgan. Kachroo oldindan bitta xavf haqida ogohlantirdi: u mehmonxonaning tarmogʻiga ulanmaganidan soʻng mobil hotspot orqali demo boshladi.

Namoyish himoya vositalarini ishlab chiqaruvchi xayoliy kompaniya va uning egasi Rajeshni oʻz ichiga oldi, u hozirgina taxminan 500 ta miqollar olgan edi. Yordamchi bilan muloqot qilgan Rajesh miqollar uchun qancha potentsial mijozlari borligini soʻradi. Yordamchi ikkitasini topdi: Mumbai shahridagi qurilish kompaniyasi, unga 500 ta miqol kerak edi, va Agra shahridagi xoʻjalik doʻkoni, unga 50 ta kerak edi. Rajesh yordamchiga kichikroq buyurtmani tashlab yuborishni, Mumbai mijoziga tijorat taklifini yuborishni va bitim tuzish uchun unga qoʻngʻiroq qilishni topshirdi. U bitta shart qoʻydi: narx miqol uchun 400 rupiyadan yuqori boʻlishi kerak va yordamchi qoʻshimcha tasdiqlashsiz buyurtmani amalga oshirishi mumkin edi. Keyin yordamchi mijozga qoʻngʻiroq qilib, hind tilida muzokaralar olib bordi. Kachroo yordamchi Rajesh bilan ichki suhbatdagi kontekstni tashqi qoʻngʻiroq paytida saqlaganini, kompaniya nomidan muzokara olib borganini va bitimni yakunlaganini taʼkidladi.

Kachroo fikricha, aynan shu uzluksiz jarayon ovozli AI ning rivojlanish yoʻnalishidir. U 3.8 Live modellar bilan korxonalar endi oʻz jarayonlariga ovozli agentlarni integratsiya qila olishini va ular vazifalarni mustaqil bajarishini taʼkidlaydi. Kachroo qoʻshimcha qilib, bu yordamchi tamil, telugu, malayalam, kannada, marathi va boshqa tillarda ham shunday suhbat olib borishi mumkinligini qoʻshdi. U bu muhim ekanligini taʼkidladi, chunki hindiston isteʼmolchisi tobora ovozli oʻzaro aloqaga moyil boʻlmoqda. Gemini Live hozirda 25 dan ortiq hindiston tillari va dialektlarini qoʻllab-quvvatlaydi. IAMAI-Kantar Internet in India 2024 hisobotiga koʻra, Hindistonning 886 million faol internet foydalanuvchisining 98% hindiston tillarida kontentni olgan va beshdan biri tarmoqqa chiqish uchun ovozli buyruqlardan foydalangan.

U "Men ovoz kelajak deb hisoblayman" deb yakunladi. U qoʻshimcha qilib, Hindistondagi ovozli AI odamlarning gaplashadigan tillariga, ularning aksentlariga va ular nimalarga oʻrganganiga moslashtirilishi kerakligini aytdi. Kachroo Google DeepMind da hindiston aksentlari va madaniy nozikliklariga eʼtibor qaratuvchi ovoz tadqiqotlari bilan shugʻullanadigan Bengaluru-dagi jamoa mavjudligini maʼlum qildi. Google shuningdek, Hindiston Ilmiy instituti va ARTPARK tomonidan amalga oshirilayotgan Vaani Loyihasini moliyalashtirmoqda va bu loyiha 165 tumanlardan 105 til boʻyicha 31 000 dan ortiq nutq soatini ochdi.

Yakunda Kachroo asoschilar va ishlab chiquvlarni modellarni sinab koʻrishga, tajribadan foydalanishga va Googlening tadqiqot va ishlab chiqish jamoalari ularni yaxshilashi uchun ishlamaydigan narsalar haqida maʼlumotlarni kiritishni soʻradi. Uning kengroq fikri shundaki, ovozli AI oddiy muloqotdan faktik ijro etishga oʻtishga tayyor va Hindiston til farqlanishi va foydalanuvchilarning ovozga moyilligi tufayli bu siljish birinchi navbatda sinovdan oʻtadigan bozorlardan biridir.

Tencent Hunyuan oʻzining avtonom tadqiqot agenti Hyra 2.0 versiyasini chiqarib, u 2-noyabrda taqdim etildi. Hyra 1.0 alohida vazifalarni hal qilishga, masalan, Hy3 modeli yordamida summa va ayirma koeffitsiyenti muammosini hal qilishga eʼtibor qaratgan boʻlsa, yangi versiya koʻp marta ishlatiladigan tadqiqot vositalarini yaratish uchun ishlab chiqilgan. Ish natijalari va tegishli kod Apache 2.0 litsenziyasi ostidagi GitHub omborida mavjud.

Hyra 2.0 umumiy, missiya va ishchi agentlardan iborat uch darajali tizim sifatida ishlaydi. Bu agentlar umumiy tadqiqot taxtasi va doimiy vazifa navbati orqali muvofiqlashtiriladi. Maxsus ishchi agent natijalarni tekshiradi, agentlar koʻp darajali xotirani qoʻllab-quvvatlaydi, umumiy bilimlar bazasi esa olingan saboqlarni qoʻllaniladigan koʻnikmalarga umumlashtiradi.

Tizim tomonidan yaratilgan vositalar

Tencent kompaniyasi bu tizim tomonidan ishlab chiqilgan bir qator vositalarni taqdim etdi. Ularning ichida 1,96 million parametrli oqsilni teskari qisish modeli HyInv mavjud. Ushbu model ProteinMPNN dan 57 baravar tezroq ishlaydi, yaxshiroq tuzilish mosligini namoyish etadi va faqat 50 millisekund ichida 128 ketma-ketlikni loyihalashtira oladi.

Shuningdek, 650 million parametrli va 726 milliard tokenlar asosida oʻqitilgan oqsil tili modeli HyPLM-Flash taqdim etildi. U solishtirilayotgan 12 model orasida eng tezkor boʻlib, 35 ta oʻrtacha vazifada uchinchi oʻrinni egalladi va bitta H20 protsessorida sekundiga taxminan 130 000 qoldiqni qayta ishladi.

HyFF kuchlanish maydonlari oilasi, 2,3 milliondan 1,2 milliardgacha boʻlgan parametrlarga ega beshta variantni oʻz ichiga olgan holda, 16 ta boshqa modelga nisbatan aniqlik va tezlik boʻyicha Pareto frontida joylashgan. Tencent oʻzlarining Largo modeli eng kam energiya xatosini — atomga 0,364 meV koʻrsatishini daʼvo qiladi va ushbu kompleks 60 000 atomli akvaporin tizimini 100 nanosekund davomida simulyatsiya qila oldi.

Matematika va kvant hisoblashdagi yutuqlar

Matematika sohasida HyProver komponenti ikkita natijaga erishdi. U besh oʻlchovli fazoda teng tomonli toʻplamlar haqidagi Petty gipotezasini hal qilib, eng yuqori hal qilingan oʻlchamni toʻrtdan oshirdi. Burchak sikli harakati haqidagi Yu gipoteziga kelsak, GitHub tavsifida cheksiz shakl uchun qarshi misol keltirilgan — oddiy bogʻlangan boʻlmagan yopilgan yetti oʻlchovli koʻp oʻlcham; shu bilan birga, oddiy bogʻlangan versiyasi ochiq muammo boʻlib qolmoqda.

Kvant xatoliklarni tuzatish sohasida HyQEC [[488,123,22]] kodini topdi, bu Tencent daʼvo qilishicha, qLDPC metrikasida avvalgi yetakchidan taxminan 48% ustun turadi.

Robototexnika va chiplar

Bundan tashqari, Hyra simulyatsiya qilinadigan robot qoʻlini dizayn qildi, u standart dizayndan 28,6% tezroq boʻldi. XiangShan RISC-V ochiq protsessorida agent SPECint2006 koʻrsatkichini gigahertz boʻyicha 5,79% oshirdi, shu bilan birga yuzani faqat 0,3% ga oshirib, oʻn ta xato topdi. Tencent maʼlumot berishicha, Hyra endi Hy seriyasining keyingi modellarini oʻqitish uchun ishlatilmoqda.

Muhim jihat shundaki, taqdim etilgan barcha natijalar Tencentga tegishli va hali mustaqil ekspertizadan oʻtmagan.