[비즈한국] “如果說語言模型只是文字實現的各種概念，那麼在多模態完成的階段，除了文字之外，還可以生成新影象或像人一樣生成自然的語音，從而以多種形式創造出結果。”
7日在首爾COEX舉行的“KAIST AI技術說明會2026”特邀講座中，Kakao035720 Unified Foundation Model Studio負責人Noh Byeong-seok在介紹Kakao最新多模態AI開發動向時這樣說道。在生成式AI競爭不僅超越了文字中心階段，還轉向了同時理解並響應視覺和語音的多模態時代，Kakao也在加速推進自身整合AI模型的升級。
‘V’與‘A’的結合…實現實時多模態AI
Kakao正在開發的“Kanana-o”是能夠同時理解並響應文字、語音和影象的整合多模態語言模型。它是將現有的影象處理專業模型“Kanana-v”和音訊理解/生成模型“Kanana-a”整合為一體的形式。
Noh負責人解釋道：“我們一直分別開發理解文字和影象的視覺模型，以及理解並生成音訊的模型，由於這兩個模型使用相同的LLM基礎結構，因此可以透過模型合併（merging）實現高效整合。”
Kakao從2月27日起進行了為期3個月的Kanana-o API封閉測試（CBT），以此提升技術完成度。特別是在語音響應過程中，重點減少了使用者感知的等待時間。Noh負責人表示：“傳統方式必須在生成全部回答後才能發出聲音，使用者需要一直等待，但我們將其改為流媒體方式，將聽到第一個聲音的等待時間從1.5秒縮短到了0.5秒，提升了3倍。”
現場還介紹了提高語音生成效率的自有技術。Kakao開發並應用了自主分詞器技術“LMSPT”，將語音壓縮並轉換為AI易於處理的單位。據介紹，透過該技術，語音生成速度比以往提升了約6倍。
講座中還介紹了多模態模型的影象處理方式。通常AI模型在處理高解析度影象時，會透過縮小或分割影象進行處理，此過程中可能會丟失細節資訊。對此，Kakao表示，正在開發應用“原生解析度（Native Resolution）”方式，即在保持原始解析度的狀態下處理影象，從而提高對文件、圖表等精細影象的理解效能。
由KAIST金在哲AI研究生院、城南產業振興院和首爾特別市共同主辦的本次技術說明會，是在6日開始為期三天舉行的“AI Expo Korea”期間的第二天舉辦。現場向產業界和廣大民眾展示了主要的AI研究成果以及正在向產業現場擴散的最新人工智慧技術。
成為“代理型AI（Agentic AI）”的感官器官
Kakao的多模態技術預計將成為未來Kakao AI戰略的核心基礎之一。Kakao正以自有AI模型“Kanana”為基礎，在擴大KakaoTalk內部各種AI功能的同時，也在謀求從即時通訊軟體向“代理型AI平臺”演進。此前在同一天上午舉行的Kakao第一季度業績釋出電話會議上，Kakao代表鄭申雅也曾表示：“將公開針對代理型AI最佳化的模型‘Kanana 2.5’。”
代理型AI是指超越簡單的問答水平，能夠理解使用者意圖並自主執行多項任務的AI形態。分析認為，Kanana-o在這一戰略中實際上將擔任“感官器官”的角色。
這是因為它不僅能識別文字，還能同時識別語音和影象，因此極有可能擴充套件至AI伴侶、對話式搜尋、內容推薦、實時摘要與翻譯等功能。如果能實時處理視覺和聽覺資訊，就能更立體地感知並響應使用者環境。特別是在行動通訊環境中，基於語音和影象的互動比重日益增加，因此多模態能力顯得尤為重要。
Noh負責人提到：“我們正在利用包含影象或音訊的整合資料，朝著跨越不同感官資訊進行綜合處理並響應的方向進行學習。”
“AI也能懂Hodori”強調韓國文化與情感特化
Kakao也強調了將“對韓國文化與情感的理解度”作為與全球模型差異化的因素。近年來，全球AI企業正朝著不迴避國家、文化敏感主題，並根據各地區語境提供資訊的方向發展。
現場還演示了以獨島為主題的播客劇本生成案例。Kanana-o反映了獨島在韓國社會所具有的歷史、文化意義及領土主權象徵性，構建了播客形式的對話。
Noh負責人舉例說：“過去視覺模型（視覺智慧）僅停留在將Hodori（韓國奧運吉祥物）影象識別為‘老虎’的程度，但透過追加學習韓國本土內容，現在已經能夠理解‘Hodori’這一名稱及其文化語境。”他接著表示：“我們將繼續將其發展為能夠自由理解並表達世上多種形式資料的真正意義上的整合多模態AI。”
在當天上午的特邀講座中，KAIST金在哲AI研究生院教授Shin Jin-woo和副教授Oh Seong-jun分別就機器人基礎模型和個性化AI進行了發表。KAIST金在哲AI研究生院院長Jung Song表示：“在全球AI技術競爭日趨激烈的環境下，為了讓國內產業界和研究機構分享技術動向並尋求合作機會，我們每年都會舉辦本活動，我們將為國內AI生態系統的發展做出貢獻。”