AI语音爆发的逻辑：从幕后到台前，声学交互的新纪元
在人工智能的浪潮中，语音技术正以惊人的速度发展。曾经被苹果Siri折戟的领域，如今却涌现出越来越多的“AI Siri”，并获得了大量融资。过去半年，AI语音赛道异常火热，融资事件频发，且金额巨大，投资目标多为早期团队。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，累计融资额达到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；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。
与此同时，科技巨头如Meta、OpenAI、Google以及创业公司MiniMax都在密集发布自己的语音模型或语音产品。甚至有消息称，Siri也将被ChatGPT或Claude等模型接管，以跟上语音交互的最新进展。这些都指向了一个明确的趋势：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，语音对话从一个App中的功能模块，迅速进化为AI时代入口级别的存在，与大模型的加持有极大关系。
大模型赋能：声音的可编程化
AI语音领域爆发的一个重要推动因素是，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，变得可以被代码自由地调用、组合、修改和控制。过去，文字、图像甚至视频都是可编程的，但声音更多的是一种“输入”或“输出”的介质，其内部的复杂结构和信息很难被软件直接“编程”和“理解”。
传统的语音识别更多是将声音转换成文字，然后对文字进行处理。例如，过去在深圳、成都有很多团队做声音标注，他们拿到语音后，再人工转换成文字，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，它比大量的人工团队标注得更快、更准确。以前做自然语言处理（NLP）的背后都是大量的人工标注，让AI系统能够识别每个句子的意向。过去，语音的开发每增加一个功能都需要从头写代码，费时费力。例如，想让智能音箱支持“点外卖”，需要单独开发一套语音识别和语义逻辑，成本高、周期长。
而现在，AI大模型可以解决这些问题。更重要的是，依靠大模型对多模态数据的深度理解能力，对声学信号的更细致解析，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，甚至预测你的意图。这时，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，声音也成为了真正的交互引擎。
从“Voice”到“Sound”：更全面的语音交互
很多人认为语音交互就是“Voice”（语音），但实际上Voice是一个狭窄的概念。真正的语音交互核心不是“Voice”，而是“Sound”（声音）。Sound包含了更丰富的元素：语调、音色、节奏、情绪，更重要的是环境音。环境音中可能包含环境中的各种非语音信息，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，你咳嗽的时候跟AI说话，它可能会识别出咳嗽，然后提醒你多喝水；或者你在咖啡馆说“帮我找个安静的地方”，AI不仅要理解你的指令，还要从背景音中判断出你当前的环境嘈杂，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你说的“词”，而是能够全面感知和理解你所处环境的“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中包含的这些多维度信息时，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”你的“言外之意”和“心声”。
声学：语音交互的关键“卡点”
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“卡点”，而这个卡点根植于物理学，具体来说就是声学。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听不清你的指令，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，当下最热门的具身智能，现在很多机器人都是电驱动的，这带来几个大问题：电路的噪声本身就很大，关节噪声也很大，而且很多机器人是金属材质，厚重，声音在穿透时会大幅衰减。所以机器人动起来的时候噪声很大，尤其在室外，更难听清楚人的指令。要么大声喊，要么拿麦克风喊。因此现在很多机器人都要靠遥控器来控制。
这方面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，还有啸叫的抑制、混响回响的抑制等。而这些是物理学科的逻辑，它需要数据样本，需要know-how的壁垒，不仅是技术问题，而是时间的问题，需要时间去采集声音、做训练。这不是烧钱能解决的。让AI准确地“听清”用户的指令依然是一个世界级的难题。而声学相关的人才很少，所以像谷歌、微软、苹果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。
语音交互的未来：实现“共情”
现在很多AI应用的日活、留存不高，一个很大的原因就是普通人本身不会提问，让人向大模型提问本身就是一个非常高的交互门槛。好的提问还需要学识、表达等基础，所以停留在文字层面的问答本身就是一种门槛限制。而语音带来的一种可能性是，它正在开启一个全新的阶段——人机交互的“共情模式”。
如果把语音交互比作一个“UI界面”，那这个界面会长什么样？我们可以做个推演，它的构成要素可能会有：
- 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，你的声音颤抖，AI可能推测你在紧张或伤心。
- 意图理解：不仅听懂你说了什么，还要明白你想做什么。例如，你说“播放音乐”，AI会根据你的情绪，决定是放摇滚还是古典。
- 声纹识别：通过独一无二的音声波特征，区分不同用户。例如，家里的智能音箱能自动切换到“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”，而不是机械的“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，我们可以构建一个“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。而这，正是我们努力的方向。
