[비즈한국] “如果说语言模型只是文本实现的各种概念，那么在多模态完成的阶段，除了文本之外，还可以生成新图像或像人一样生成自然的语音，从而以多种形式创造出结果。”
7日在首尔COEX举行的“KAIST AI技术说明会2026”特邀讲座中，Kakao035720 Unified Foundation Model Studio负责人Noh Byeong-seok在介绍Kakao最新多模态AI开发动向时这样说道。在生成式AI竞争不仅超越了文本中心阶段，还转向了同时理解并响应视觉和语音的多模态时代，Kakao也在加速推进自身集成AI模型的升级。
‘V’与‘A’的结合…实现实时多模态AI
Kakao正在开发的“Kanana-o”是能够同时理解并响应文本、语音和图像的集成多模态语言模型。它是将现有的图像处理专业模型“Kanana-v”和音频理解/生成模型“Kanana-a”整合为一体的形式。
Noh负责人解释道：“我们一直分别开发理解文本和图像的视觉模型，以及理解并生成音频的模型，由于这两个模型使用相同的LLM基础结构，因此可以通过模型合并（merging）实现高效整合。”
Kakao从2月27日起进行了为期3个月的Kanana-o API封闭测试（CBT），以此提升技术完成度。特别是在语音响应过程中，重点减少了用户感知的等待时间。Noh负责人表示：“传统方式必须在生成全部回答后才能发出声音，用户需要一直等待，但我们将其改为流媒体方式，将听到第一个声音的等待时间从1.5秒缩短到了0.5秒，提升了3倍。”
现场还介绍了提高语音生成效率的自有技术。Kakao开发并应用了自主分词器技术“LMSPT”，将语音压缩并转换为AI易于处理的单位。据介绍，通过该技术，语音生成速度比以往提升了约6倍。
讲座中还介绍了多模态模型的图像处理方式。通常AI模型在处理高分辨率图像时，会通过缩小或分割图像进行处理，此过程中可能会丢失细节信息。对此，Kakao表示，正在开发应用“原生分辨率（Native Resolution）”方式，即在保持原始分辨率的状态下处理图像，从而提高对文档、图表等精细图像的理解性能。
由KAIST金在哲AI研究生院、城南产业振兴院和首尔特别市共同主办的本次技术说明会，是在6日开始为期三天举行的“AI Expo Korea”期间的第二天举办。现场向产业界和广大民众展示了主要的AI研究成果以及正在向产业现场扩散的最新人工智能技术。
成为“代理型AI（Agentic AI）”的感官器官
Kakao的多模态技术预计将成为未来Kakao AI战略的核心基础之一。Kakao正以自有AI模型“Kanana”为基础，在扩大KakaoTalk内部各种AI功能的同时，也在谋求从即时通讯软件向“代理型AI平台”演进。此前在同一天上午举行的Kakao第一季度业绩发布电话会议上，Kakao代表郑申雅也曾表示：“将公开针对代理型AI优化的模型‘Kanana 2.5’。”
代理型AI是指超越简单的问答水平，能够理解用户意图并自主执行多项任务的AI形态。分析认为，Kanana-o在这一战略中实际上将担任“感官器官”的角色。
这是因为它不仅能识别文本，还能同时识别语音和图像，因此极有可能扩展至AI伴侣、对话式搜索、内容推荐、实时摘要与翻译等功能。如果能实时处理视觉和听觉信息，就能更立体地感知并响应用户环境。特别是在移动通信环境中，基于语音和图像的交互比重日益增加，因此多模态能力显得尤为重要。
Noh负责人提到：“我们正在利用包含图像或音频的集成数据，朝着跨越不同感官信息进行综合处理并响应的方向进行学习。”
“AI也能懂Hodori”强调韩国文化与情感特化
Kakao也强调了将“对韩国文化与情感的理解度”作为与全球模型差异化的因素。近年来，全球AI企业正朝着不回避国家、文化敏感主题，并根据各地区语境提供信息的方向发展。
现场还演示了以独岛为主题的播客剧本生成案例。Kanana-o反映了独岛在韩国社会所具有的历史、文化意义及领土主权象征性，构建了播客形式的对话。
Noh负责人举例说：“过去视觉模型（视觉智能）仅停留在将Hodori（韩国奥运吉祥物）图像识别为‘老虎’的程度，但通过追加学习韩国本土内容，现在已经能够理解‘Hodori’这一名称及其文化语境。”他接着表示：“我们将继续将其发展为能够自由理解并表达世上多种形式数据的真正意义上的集成多模态AI。”
在当天上午的特邀讲座中，KAIST金在哲AI研究生院教授Shin Jin-woo和副教授Oh Seong-jun分别就机器人基础模型和个性化AI进行了发表。KAIST金在哲AI研究生院院长Jung Song表示：“在全球AI技术竞争日趋激烈的环境下，为了让国内产业界和研究机构分享技术动向并寻求合作机会，我们每年都会举办本活动，我们将为国内AI生态系统的发展做出贡献。”