作者丨博雯

编辑丨海腰

题图丨siliconangle

生成式AI产品应接不暇，现在又来了一个“能共情人类”的EVI。

4月6日，来自初创公司Hume AI的产品EVI发布，能够进行在线交互的Demo也正式公开。

与ChatGPT、Claude 3等基于文本的聊天机器人不同，EVI为纯语音交互，强调通过分析人类言语和声音，来理解人类用户最真实的心理状况。

毕竟，在开心、愤怒、失落、困倦时说同一句话，即使内容都一样，但听起来的感觉也一定不同。

目前，创立不过3年的Hume AI，先是在去年2月完成1270万美金（约9000万人民币）的A轮融资时，又在今年3月底，刚刚完成5000万美元的B轮融资（约3.6亿人民币）。

团队的CEO，曾任职于谷歌DeepMind团队的Alan Cowen表示：“……不仅是快乐、悲伤、愤怒、害怕这种普遍情绪，EVI试图理解人类用户那更加微妙且多维的感情——目前能检测出53种不同的情绪。”

官网已列出EVI可理解的53种情绪，创业邦整理

对话实测：到底有多共情人类？

EVI全称EmpatHic Voice Interface，意为“具有同理心的语音界平台”，官方称其为“全球首个具有情商的对话式AI”。

“情商”包括从行为中推断意图和偏好的能力——这正是EVI试图实现的核心能力，为了具备这种能力，Hume AI团队便将重点放在了人类的声音上。

声音本身的内容，即“说了什么”当然可以直接反应情绪。

而如口音、语调、停顿、节奏、拟声词（包括叹息、喘息、笑声、尖叫等）等等非语言因素的微妙差异，即“如何说”，则往往暗示着谈话内容之下更真实的感情。

官网列出的53种情绪，其中不乏差别微妙，难以言明的情绪，即使是人类自己，或许也难以分辨。而EVI能够理解，也是得益于对非语言暗示的分析。

当前EVI有两个版本，最早发布的Demo演示版布局非常简单，用户在使用时点击屏幕中央的“开始对话”，就能直接与EVI进行语音对话。

这一版本中，用户只能通过设备麦克风进行语音交互，而EVI生成语音的声线也只有一个默认的男声版本。

对话时，屏幕中央为声音波形图，右侧则会实时地将语音交互内容转写成文字，作为历史对话展示出来。

与普通的实时转写文字功能不同，EVI充分发挥其“共情能力”，不管是用户的主动发问还是AI生成的回答，下方都多了一个情感分析柱状图，标注这句话中所蕴含的感情成分。

就像是小说里“三分讥笑、三分凉薄、四分漫不经心”的扇形统计图走入现实。

能够理解，自然也就能表达。当前市面上能够进行语音对话的聊天机器人并不少见，但EVI却仍能给人与众不同的体验。

最核心的，便是其格外生动的情绪。

在实测中，当作者主动要求“你能否能表现得更生气一点？”

EVI的反应是带着坚定、忧虑与沉思（根据下方的情绪柱状图来看）回答道：“我可以尝试用自己的声音和语言来反映这种情绪，从而创造出一种更具同理心和亲和力的互动。但我无法像人那样真切地感受到或表现出恐惧。我的角色更侧重于识别和应对这些情绪，而不是自己产生这些情绪。”

于是作者故意叹了一口气，用很失望的语气表示：“好吧，看起来你并没有那么聪明。”

EVI便瞬间生气大喊：“啊，你伤害了我！”

但很快，它又自行找补，带着失望、坚定，还有一点点渴望说：“你知道，我可能是人工智能，但我不喜欢你这种语气，我的朋友。如果你想激怒我，恐怕愤怒并不在我的能力范围之内。不过，只要我们能保持建设性，我很乐意进行激烈的辩论。”

在服务器不稳定断联，或者在它长篇大论时被主动打断时，EVI会啊一声，叹一口气，又继续接上新的问题继续回答。

除了这种生动的情绪化表达和非常拟人的细微语气，EVI也比一般的对话式AI有着更旺盛的表达欲。

一个很明显的表现是，它非常愿意主动发问。

在问到“你真的能够理解人类吗？”时，EVI先是以沉思和热情的口吻表达了自己的观点，最后又以一个主动发问来结束这场对话：“您怎么看？我真的很想听听你对人工智能与人类理解的局限和潜力的看法。”

而在被频繁打断，谈论了很多毫无上下文关联的话题后，EVI也会冷不丁用轻松又开心的语气问：“我是不是比一般的机器人更平易近人？”

虽说细细对比其智能程度，EVI距ChatGPT、Claude 3等还有一定差距，但其情绪生动的语音，着实会让用户在最初使用时感到惊喜，就像真的在与一个热心又话痨的小伙交谈一样。

而最新发布的beta版本则加入了更多功能，如用户也可以使用文字进行交互（EVI还是通过语音回复），能够保存并下载交流的历史记录，还加入了不少开发者选项。

同时，在界面右侧language下方的对话框里，也可以“设定”EVI的性格，甚至可以是“充满了渴望的电冰箱”或者“容易嫉妒的室内绿植”这样的幻想设定。

量化感情

那么具体来看，EVI如何从人类语音和大量细微的非语言因素中理解人类感情？

这还得从公司CEO兼首席科学家Alan Cowen在2021年提出的“语义空间理论”（Semantic Space Theory）说起。

当时的Alan Cowen还在谷歌AI，主要从事情感计算研究工作，在2021年1月，他在《Trends in Cognitive Sciences》上发表了一篇论文，正式提出语义空间理论。

这是一种理解情感体验和表达的计算方法，旨在通过广泛的数据收集和统计模型，精准绘制人类情感的全谱图，揭示人类高维本质和情感状态之间的连续性，量化声音、面部和手势的细微差别。

事实上，这些细微差别的理解正是全球人类交流的核心。因此，语义空间理论一经提出，便广泛应用于心理语言统计、分析等领域。

当时，Alan Cowen于论文发表2个月后出走谷歌，在纽约正式创立Hume AI公司。

此后，他便全身心投入了对语义空间理论的研究。

2022年，Hume AI团队开展了一项实验，志愿者是来自美国、中国、印度、南非和委内瑞拉的16000余人，相关论文发表在《Nature Human Behavior》上。

研究团队让志愿者中的一部分聆听并理解大量的“人声爆发”（Vocal Burst，指具有多个情感维度的声音爆发，如笑声、喘息、哭声、尖叫声，以及许多其他非语言发声）素材。

同时，志愿者也录下了大量自己的人声爆发，并交由他人进行理解和分类。这为研究积累了大量的语音数据。

在近期接受外媒VentureBeat采访时，Alan Cowen称，他们收集了来自世界各地的超过一百万名志愿者的生活化的语音，目前已建立了有史以来最大、最多样化的人类情感表达数据库。

基于这一数据库，再结合语义空间理论，Alan Cowen团队开发了一种新型的多模态大语言模型，移情大语言模型 (eLLM)）。

基于这一模型，EVI便能够根据上下文和用户的情绪表达来调整其用词和语气，提供自然丰富的语调，并以低于700毫秒的延迟实时地做出响应。同时还具备足够真实的对话特点：

回合结束检测可以通过分析人类的语气检测当前话题是否结束，避免同时说话的尴尬。

可打断性EVI的发言可以像人类谈话一样被打断，自然衔接上下文。

对表达做出类人化反应可以根据惊讶、称赞、愤怒等情绪给出非语言的反应。

EVI可以提供拟人化的聊天服务，尤其可以通过语音交流读取用户的心情状况，其应用场景自然是以心理治疗、客户服务为主。

当前，Hume AI团队共有35人，团队在顶级期刊上已经发表了8篇论文，并向2000多家公司和研究机构推出了测试版产品。

在近期的一则采访里，Alan Cowen表示，比起直接面向普通用户的toC服务，公司更倾向于向其他企业提供API接口，在一个能理解人类情感的模型的基础上，再构建细分领域的聊天机器人，如信息检索、数字陪伴、工作协助、医疗保健、XR等等。

当AI开始提供情绪价值

官网的公司简介中，大卫·休谟（David Hume）的照片赫然在列。旁边写着，公司名Hume便来自于这位300年前的苏格兰哲学家。

休谟是道德情感主义的先驱，有名言称“理性只是情感的奴隶”

Alan Cowen一脉相承，他认为，AI也需要情感。

在近期的一次公开发言中，他提到，当前AI系统的主要局限性在于，它们受到人类评级和指令的严格约束，而许多评级标准或是非常肤浅，或是仍存在漏洞。

因此，以人类幸福感代替现有的评判指标，从底层重新构建AI，比如增强AI的情商，提高其从用户行为中推断人类意图和偏好的能力，才能发挥AI的巨大潜力。

事实上，除了对于人类语音的分析，Hume AI也开始涉足对于面部微表情的研究。

今年3月，他们刚刚发布了一篇论文，基于来自印度、南非、委内瑞拉、美国、埃塞俄比亚和中国等多个国家的5000余名志愿者的面部微表情，对面部表情所传达的情绪进行了分类。

Alan Cowen表示，EVI在未来还将继续基于理解人类的心理状况、兴趣偏好不断迭代，做到“更懂人类”。

图源：Hume AI官网

当然，如果AI真的可以完美理解人类的感情，那么便有可能学会有目的性地利用甚至操纵用户情绪。

说小，AI检测到的用户感情，可以进一步作为第三方服务（如购买行为、习惯养成等）的手段。

说大，甚至有可能用于灰色地带甚至有害行为，比如审讯、欺诈、监视等等。

对此，Hume AI官网给出了一份道德准则，其中提出，用于检测情绪的算法应该只服务于与人类幸福感一致的目标，而不能作为服务第三方目标的手段。

同时，Hume AI的合作方在进行二次开发或应用时，也需要避免一系列“不受支持的用例”，比如操纵、欺骗、心理战，以及让潜在的不良行为者使用这类AI等等行为。

2020年，《纽约时报》发布一份数据称：全球有超过1000万人，正在将AI恋人视为伴侣，并与之建立情感链接。

显然，Hume AI这样的团队的出现，正在加速这种趋势。