AWS 升級 Transcribe：引入生成式 AI，支援 100 種語言

如果你做過跨國客服或者開過跨國跨語種電話會，大概體會過那種痛苦：嘈雜的背景音加上各種濃重的小語種口音，傳統的轉錄工具經常轉出一堆亂碼，最後還得人工一句一句聽。

在這次 AWS re:Invent 大會上，亞馬遜決定給自家的語音識別老兵來一次底層大換血，直接把 Amazon Transcribe 搬到了語音基礎模型上。

搞定 100 種語言，小語種不再被當成二等公民

這次更新最顯眼的變化，就是支援的口語數量從之前的 39 種直接飆升到了 100 種。

根據 AWS 的說法，新模型是用 100 多種語言、數百萬小時的未標註音訊訓練出來的，靠自監督演算法去摸索不同語言和口音的發音規律。

做多語言模型最容易踩的坑就是大語種吃掉小語種。英語、西語的資料鋪天蓋地，冷門語言的資料少得可憐，最後模型轉小語種依然一塌糊塗。

AWS 強調他們特意平衡了訓練資料，沒有讓大語種過度代表，確保小語種能有和常用語種相當的準確度。

反映到實際效果上，AWS 稱新版本在很多語言上的識別準確率比老版本提升了 20% 到 50%。

除了常規的音訊和影片識別，它還支援自動標點、自動識別語種、自定義詞彙和敏感詞過濾，並且在嘈雜環境下也能穩定工作。不過至於底層到底用了哪款基礎模型，The Verge 詢問了 AWS，對方暫時沒有透露。

讓坐席少寫點報告，順手動了誰的蛋糕

對企業客戶來說，轉錄本身只是第一步，後面怎麼用才是大頭。這次升級也順理成章地帶飛了呼叫分析產品 Amazon Transcribe Call Analytics。

現在的 Call Analytics 同樣由生成式 AI 驅動，可以在客服掛掉電話後，自動總結坐席和客戶聊了什麼。

這意味著客服不用再花大把時間寫通話復盤小結，主管也不用翻看成百上千行的文字記錄去查崗，掃一眼 AI 生成的摘要就能知道問題解沒解決。

與此同時，AWS 的推薦產品 Amazon Personalize 也加了生成式 AI 技能，能自動給推薦列表寫主題標題或郵件標題。

市面上做這事的並不止亞馬遜一家。比如大家熟悉的 Otter 早就開始給個人和企業做會議轉錄，6 月還上線了總結功能，Meta 也在研發能識別近 100 種口語的生成式 AI 翻譯模型。

為什麼重要

我們認為，AWS 這次更新最聰明的地方在於，它沒有去卷一個獨立的、博眼球的消費級 AI 工具，而是把自己龐大的雲基礎設施優勢利用到了極致。

對於出海企業、跨國電商和全球化客服團隊來說，這項更新非常值得現在就去試。語言支援從 39 種擴充套件到 100 種，直接擊穿了以往拓展非英語新興市場時的語言壁壘，而且它作為現成 API 掛在 AWS 上，接入成本比自己搭模型低得多。

從行業競爭來看，這給 Otter 等第三方轉錄工具敲響了警鐘。當底層的雲服務巨頭不僅把基礎準確率拉高了 20% 到 50%，還順手把自動摘要和資料分析做進客服系統閉環時，單純靠轉錄和摘要賺錢的輕量 SaaS 會越來越難受。

潛在的隱患在於定製化和穩定性。儘管 AWS 宣稱小語種精度大漲，但在複雜的垂直行業術語面前，通用基礎模型的自監督表現到底夠不夠硬，依然需要在各家企業的真實賬單和客服流程裡經受檢驗。