Salesforce AI Research представила Launa-Omni — исследовательскую модель для двусторонних голосовых разговоров в реальном времени. Её основой служит текстовая модель, адаптированная для аудиотокенов: речь и язык обрабатываются в общем скрытом пространстве. Ответ сначала формируется как видимый текст, а затем отдельная, обученная Salesforce модель синтеза речи озвучивает его. Такая схема позволяет проверять и исправлять текст до выполнения связанного действия.
Система также определяет завершение реплики пользователя. Salesforce сообщает, что Launa-Omni можно дополнительно настраивать для имён, дат, буквенно-цифровых идентификаторов и отраслевой терминологии. Компания разрабатывала её для сценариев Salesforce и Slack, но не объявляла общий выпуск модели через API, общедоступный продукт или публикацию её весов. В Slackbot Voice Dictation уже применяется только упрощённая версия для преобразования речи в текст.
В собственных испытаниях Salesforce Launa-Omni в среднем получила 59,69% за три запуска Audio MultiChallenge при максимальном публичном результате 60,40%. На VoiceBench тот же контрольный снимок модели набрал 90,60%. В тесте клиентского обслуживания τ³-Voice модель достигла макрооценки 72,9% со специально настроенной тестовой системой. Эти показатели получены и опубликованы Salesforce, а не измерены независимо.
