在人工智能领域，语音技术正经历着前所未有的变革。曾经被寄予厚望的苹果Siri遭遇发展瓶颈，但与此同时，涌现出越来越多的“AI Siri”们，它们以前所未有的速度获得资本市场的青睐。
过去半年，AI语音赛道融资消息不断，尤为引人注目的是，这些融资的金额巨大，且投资对象多为初创团队。例如，AI语音应用Wispr Flow凭借“默念输入”完成了3000万美元的A轮融资，累计融资额高达5600万美元。语音模型公司Cartesia在3月份完成了6400万美元的A轮融资，累计融资9100万美元。而AI语音合成公司ElevenLabs更是在1月份宣布完成1.8亿美元的C轮融资，估值超过30亿美元。
科技巨头如Meta、OpenAI、Google，以及创业公司如MiniMax等，都在紧锣密鼓地发布自己的语音模型或语音产品。甚至有消息称，Siri可能将被ChatGPT或Claude等模型接管，以跟上语音交互的最新进展。这些现象都指向了一个共同的趋势：AI语音正在迎来爆发。
那么，为什么在过去半年多的时间里，AI语音领域会如此集中地爆发？声智副总裁黄赟贺认为，语音对话从App中的一个功能模块，迅速进化为AI时代的入口，这与大模型的强大加持密不可分。
声智作为一家在幕后提供AI声学技术的公司，在大模型浪潮来临之际，果断选择投身C端产品开发。他们敏锐地捕捉到“大模型+语音”浪潮中蕴藏的巨大商业机会，其旗下的AI耳机目前出货量已接近100万套。
本文将深入探讨AI语音市场爆发的逻辑、语音交互的关键挑战，以及它将如何影响我们的未来。
大模型驱动：声音的可编程化
AI语音初创团队如雨后春笋般涌现，并获得巨额融资，这其中一个重要的推动因素是，大模型让声音这项基础能力首次实现了“可编程化”。
“可编程化”意味着将一种能力或对象，通过清晰的接口和逻辑，使其能够被代码自由地调用、组合、修改和控制。过去，文字、图像甚至是视频都已实现了可编程化，但声音更多的是作为一种“输入”或“输出”的介质存在，其内部的复杂结构和信息难以被软件直接“编程”和“理解”。
传统的语音识别，更多是将声音转换为文字，然后对文字进行处理。例如，过去需要大量的人工团队进行声音标注，将语音转换为文字，并打上各种特征、意向的标签。而现在，这项工作可以交给大模型来完成，其速度和准确性远超人工团队。
过去，语音的开发每增加一个功能都需要从头编写代码，费时费力。例如，要让智能音箱支持“点外卖”功能，需要单独开发一套语音识别和语义逻辑，成本高昂且周期漫长。而现在，AI大模型可以有效解决这些问题。
更重要的是，依靠大模型对多模态数据的深度理解能力，以及对声学信号的细致解析，使得声音本身携带的，除了文字信息之外的更多信息，开始被AI系统直接捕捉、理解和“编程”。这种可编程化意味着AI可以像处理数据一样处理声音，它可以分析声音的频率、振幅、波形，提取出情绪特征，识别不同的声源、声源距离，甚至预测用户的意图。
此时，声音包含的不再仅仅是“你说了什么”，更是“你如何说”、“你在哪里说”、“谁在说”以及“你说了之后希望发生什么”。由此，声音成为了真正的交互引擎。
从“Voice”到“Sound”：语音交互的演进
很多人认为，语音交互就是“Voice”（语音），但实际上，Voice只是一个狭隘的概念。真正的语音交互，核心不是Voice，而是“Sound”（声音）。Sound包含了Voice，以及更丰富的元素：语调、音色、节奏、情绪，以及环境音。
环境音中包含了各种非语音信息，例如背景音乐、环境噪音（风声、雨声、车声）、物体发出的声音（开门声、打字声），以及人类语音中包含的非语义信息（语调、语速、音色、语气词、叹息声、笑声、哭声等）。
例如，当用户咳嗽时与AI对话，AI可能会识别出咳嗽声，并建议多喝水；当用户在咖啡馆说“帮我找个安静的地方”，AI不仅要理解用户的指令，还要从背景音中判断出当前环境嘈杂，从而推荐附近的图书馆。
下一代对话交互的入口并非Voice，而是Sound。AI系统将不再仅仅依赖于识别用户说的“词”，而是能够全面感知和理解用户所处环境的“声学场景”中的所有关键元素。
只有当AI能够全面感知并解析Sound中包含的多维度信息时，它才能真正理解用户的深层需求，提供更精准、更个性化、更富有情感的交互。这才是真正的语音交互，它不仅仅是“听懂”字面意思，更是“听懂”用户的“言外之意”和“心声”。
声学：语音交互的关键瓶颈
尽管大模型带来了语音交互的巨大飞跃，但语音交互当下依然存在一个核心的瓶颈，那就是声学。我们常说“听清、听懂、会说”， “听懂”和“会说”的能力正在被大模型以前所未有的速度提升，但“听清”这个最基础的环节，却受到物理层面的制约。
如果AI听不清用户的指令，即便它能“听懂”再复杂的语义，能“会说”再动听的话语，那也都是空中楼阁。
例如，当下热门的具身智能机器人，由于电路噪声、关节噪声以及金属材质的阻碍，导致其在运动时产生很大的噪声，尤其是在室外，难以听清楚人的指令。因此，现在很多机器人都要靠遥控器来控制。
解决这一问题需要对声学层面进行突破，例如环境噪声的抑制、电路底噪的抑制，以及啸叫的抑制、混响回响的抑制等。这需要大量的数据样本和know-how积累，需要时间去采集声音、做训练，这不是烧钱就能解决的。
让AI准确地“听清”用户的指令，依然是一个世界级的难题。而声学相关的人才稀缺，因此像谷歌、微软、苹果等科技巨头经常会收购声学技术的初创公司。大家都明白，要构建真正的下一代人机交互系统，拥有核心的声学能力是基石。
从功能到情感：语音交互的未来
现在很多AI应用的日活、留存不高，一个很大的原因在于，普通人本身不擅长提问，让人向大模型提问，这本身就是一个非常高的交互门槛。好的提问需要学识、表达等基础，因此停留在文字层面的问答，本身就是一种限制。
而语音带来了一种可能性，那就是开启人机交互的“共情模式”。如果把语音交互比作一个UI界面，那么这个界面会长什么样？
其构成要素可能包括：
- 情绪识别：AI通过分析语调、音量、语速，判断用户的情感状态。例如，如果用户的声音颤抖，AI可能会推测其处于紧张或伤心的状态。
- 意图理解：AI不仅要听懂用户说了什么，还要明白用户想做什么。例如，当用户说“播放音乐”时，AI会根据用户的情绪，决定播放摇滚还是古典音乐。
- 声纹识别：通过独一无二的音声波特征，区分不同的用户。例如，家里的智能音箱可以自动切换到“孩子模式”，只为孩子的声音提供安全的回应。
- 情绪生成：AI的回应需要带有情感化的表达。例如，用温暖的语气说“别担心，我来帮你解决”，而不是机械地说“好的，正在处理”。
这些要素的背后，是AI从“功能导向”到“情感导向”的转变，AI会与人实现共情。这种交互能够显著提升长时间交互的质量和亲密感。
不仅如此，从狭义的Voice拓展到广义的Sound，当AI能接收到的不仅仅是用户的指令，而是整个物理世界的实时反馈时，就可以构建一个“声学世界模型”。
这个声学世界模型可以理解声音在物理世界中产生、传播和交互的根本规律，它不仅要“听清”和“听懂”，更要具备“声学常识”和“声学推理”的能力：它能从一声闷响中分辨出是书本落地还是箱子倒塌；能通过回声判断出房间的大小与空旷程度；更能理解“脚步声由远及近”背后所蕴含的物理运动逻辑。
未来，当这样一个声学世界模型与视觉、语言大模型深度融合时，具身智能机器人将不再“失聪”和冰冷。这也是目前AI语音技术正在努力实现的目标。
