语音交互被视为继触摸之后最具潜力的下一代人机接口，资本正在该领域倾注数十亿美元——从基础模型开发商，到企业客服平台，再到会议记录与智能听写工具，涵盖面不可谓不广。每周都有新产品问世，宣称已实现「类人」对话体验，但现实真有这么乐观吗？
全双工模型已就位，但推理速度仍是瓶颈
企业级语音 AI 平台 PolyAI 首席技术官 Shawn Wen 在上月举行的 HumanX 大会 上分享了他的判断：尽管全双工（full-duplex）模型——即能同时听与说的技术——已经问世，但语音 AI 领域尚未迎来属于自己的「ChatGPT 时刻」。
「我们已跨越了全双工模型的研发里程碑。下一个挑战是让推理速度足够快，使模型能迅速获取答案，让对话体验更加自然。」
Wen 还指出，客服场景中的 AI 智能体不应表现得像机器人，而应让来电者相信它有能力解决问题：
「下一阶段会有所不同——一旦语音质量足够好，客户在前两三轮对话中愿意与它互动，就会逐渐建立信任。随着时间推移，他们会形成这样的感受：如果这个智能体能搞定我的问题，我可能不需要再找人工了。」
会议转写：语音的情感表达同样关键
会议记录工具 Otter 首席营销官 Alex Gay 则认为，说话人识别、意图捕捉，以及结合组织知识进行内容整理，是实现自动化的关键一步。Otter 同时在探索「数字分身」技术——用虚拟形象代表真实人员参会。
Gay 强调，对于这类技术，输出语音能否传递与真人开会时相同的情感表达至关重要：
「回想你参加过的会议，最有价值的对话往往发生在能辩论、有战略讨论，并且彼此间有情感连接的氛围中。如果你的虚拟形象做不到这一点，它本质上只是一个你问我答的聊天机器人。」
语音理解与透明度：当前的两大短板
尽管模型能力在持续提升，用户的实际体验仍有明显落差：AI 助手听不懂用户、或者会议记录工具显示了错误的转录内容或摘要。
PolyAI 的 Wen 指出，ASR（自动语音识别）模型常遗漏关键词，导致上下文捕捉不完整。Otter 的 Gay 对此表示认同，并透露公司一直在持续优化转写质量：
「对 Otter 而言，转写从来不是终点，它只是我们在此基础上实现生产力提升的底层能力。但如果原始转写的准确率不达标，后续所有依赖它生成的内容都会出现偏差。一旦系统开始执行错误操作，用户对平台的信任就会崩塌。持续改进 ASR 模型对我们至关重要，因为下游影响是牵一发动全身的。」
与此同时，透明度问题也愈发受到关注。新一代语音工具需要向用户明确告知：正在被录音、或正在与 AI 对话。Otter 表示，即便智能体本身不参与会议，也计划通过聊天通知所有与会者会议正在被录制，以建立信任感。PolyAI 的 Wen 同样认为，在企业通话场景中明确告知用户「你在与 AI 交互」是必要的基础规范。
评论