Apple正在研发一套更加完善的语音文本编辑系统,用户可以用自然语言指令修改拼写、调整标点、改写已有句子,这项技术有望进一步拓展Siri与Apple智能的能力边界。
这份新公开的专利申请,描述了一款智能助手,它可以理解对话式的编辑需求,用户不需要手动选中文字、移动光标,也不用把整段口述内容重复一遍。
这项专利最核心的亮点,是将对话式编辑、大模型分级调用和视线定位校正三种能力结合在一起。
传统语音听写大多只负责把语音转为文字,很难对屏幕上已经生成的内容做智能修改,Apple这套方案正是为了弥补这个短板。
用户可以直接发出指令,修改某个单词、更正人名拼写,或是用新语句替换原有段落。
专利举例提到,用户可以逐个读出字母,把Kaylee修改为Kayleigh,也可以补充说明地名信息,将识别错误的地名校正为阿拉斯加的凯奇坎。
系统对标点的改动也具备上下文理解能力,当用户要求把逗号替换为句号时,助手会自动把后面单词的首字母大写,维持句子语法规范,让语音编辑的交互方式远比传统听写指令更加贴近日常对话。
Apple为这套系统设计了多级AI处理架构,以此提升指令的处理效率,不会把每一条语音请求都直接交给算力开销更高的大语言模型。
系统优先使用轻量模型解析指令,简单的校正任务可以直接完成,遇到存在歧义或是逻辑复杂的修改需求,才会交由能力更强的模型处理,其中就包含大语言模型。
这套分级机制可以减少不必要的算力消耗,同时提升响应速度与识别准确度。
系统还能区分用户是想要插入新文字,还是修改已有内容,如果文中多次出现同一个词语,会主动询问用户,确认需要改动的目标位置。
视线追踪的加入,让这套编辑方案可以适配智能眼镜这类全新形态的设备,也是这份专利颇具看点的设计。
系统能够捕捉用户视线停留的位置,以此锁定需要修改的文本对象,未来佩戴Apple智能眼镜或是头显设备的用户,只需要看向目标文字,再说出校正指令,就可以完成编辑,不需要手动点选文本。
专利注明,手机、平板、笔记本、智能眼镜以及头显设备都有机会搭载这套能力。
这项方案的长远意义,是把智能助手从单纯的语音转录工具,升级为功能完备的文本编辑载体。
依托上下文语义理解、视线追踪以及按需调用大模型的机制,能够在Apple各类设备上实现更自然的交互,尤其适合键盘与触控操作不便的穿戴设备。
这项发明也直观展现了Apple如何借助AI优化日常办公场景,把语音交互延伸到下一代穿戴计算产品当中。
