A Amazon está desafiando o status quo na Voice AI com a Nova Sonic, um novo modelo de fala para fala que interpreta não apenas o que os usuários dizem, mas como dizem isso. Projetado para lidar com inflexão, tom e cadência vocais em tempo real, a Nova Sonic pula completamente o pipeline de fala para texto tradicional. Em vez disso, escuta e responde diretamente no discurso sintético expressivo, dando aos usuários a sensação de uma conversa humana. A Amazon também relata que o modelo foi treinado em mais de 100.000 horas de fala, cobrindo centenas de estilos de alto-falantes, idades e sotaques. Na referência multilíngue de bibliotecia, alcançou uma taxa de erro de 4,2% em inglês, francês, italiano, alemão e espanhol. A Amazon também enquadrou o modelo como econômico, afirmando que é aproximadamente 80% mais barato que o GPT-4O do Openai. Pilha de desenvolvedores
Elementos do Nova Sonic já estão incorporados ao Alexa+, o assistente de voz reprojetado da Amazon, lançado em fevereiro de 2025. O PANOS PANAY, líder dos dispositivos da Amazon, enfatizou a experiência durante o evento de lançamento, afirmando:”Quando você usa Alexa+, sentirá isso”. No entanto, algumas características prometidas, como encomendar a viagem via GrubHub ou geração de histórias para crianças, ainda estão atrasadas. Os dispositivos de eco mais antigos podem não suportar os requisitos de processamento do modelo, limitando o lançamento. Internamente, o assistente continua a confiar na IA Claude da Antrópica para modelagem de idiomas, após o investimento de US $ 4 bilhões da Amazon no final de 2024. Ele sinaliza a intenção da Amazon de fornecer os blocos de construção para sistemas de conversação personalizados, em vez de liberar um agente de tamanho único. Em dezembro de 2024, a Amazon introduziu a família Modelo Nova-NOVA Micro, Lite, Pro e Premier-que abrange o texto, a imagem e a geração de vídeos. O modelo Nova Pro publicou pontuações competitivas em benchmarks como GSM8K (precisão de 94,8%em matemática), geração de código Python (89,0%) e raciocínio em várias etapas (86,9%). A Reel, por exemplo, atualmente suporta clipes de seis segundos com suporte futuro para sequências de dois minutos em desenvolvimento. Essas ferramentas criativas são projetadas para uso corporativo e incorporam auditabilidade para abordar as preocupações em relação ao uso indevido da mídia sintética. A Nova Lei permite a criação de agentes de IA que podem operar dentro de navegadores da web-clicar, digitar e navegar por páginas através de uma interface visualmente consciente. Diferentemente da estrutura modular da cadeia de agentes do Google, o SDK da Amazon prioriza o controle do desenvolvedor sobre a lógica de coordenação pré-construída. O próximo modelo tem como objetivo preencher uma conversa rápida e em tempo real com processamento analítico mais atencioso. Internamente, está posicionado para rivalizar com Claude 3,7 sonetos, OpenAi da O3-Mini e Gemini 2.5 Pro. Se for bem-sucedido, poderia dar à empresa controle mais rígido sobre o fluxo de dados, a latência e a otimização de custos em comparação com os primeiros concorrentes como o OpenAI. O OpenAI ampliou o alcance de seu modo de voz avançado, adicionando acesso e atualizações baseadas na Web que reduzem as interrupções e permitem pausas naturais na conversa. Enquanto isso, a Microsoft tornou seus recursos de voz copilota e pensam em ferramentas mais profundas para todos os usuários em fevereiro de 2025. Embora o realismo tenha sido impressionante, também levantou preocupações éticas sobre a representação da IA e a manipulação emocional. Comercializado como uma alternativa de”liberdade de expressão”, o recurso sacrifica os corrimãos e a moderação para permitir respostas altamente expressivas, às vezes chocantes-oferecendo um contraste fortemente com a abordagem mais regulamentada da Amazon. Ainda não se sabe se esse equilíbrio pode conquistar os desenvolvedores e os usuários finais, especialmente porque as expectativas em torno da IA conversacional continuam a mudar.