過去半年，「AI 語音」賽道正密集地獲得融資。尤其引人注目的是，這些融資多為大額，并且投向早期團隊。
比如，前不久 AI 語音應用 Wispr Flow 靠「默念輸入」，完成了 3000 萬美元的 A 輪融資，累計融資額已達 5600 萬美元；語音模型公司 Cartesia 在 3 月份完成了 6400 萬美元的 A 輪融資，累計融資 9100 萬美元；AI 語音合成公司 ElevenLabs 更是在 1 月份宣布完成 1.8 億美元的 C 輪融資，估值超過 30 億美元。
與此同時，無論是 Meta、OpenAI、Google 等科技巨頭，還是 MiniMax 等創業公司，都在密集發布自己的語音模型或語音產品。Siri 也被曝出或將被 ChatGPT 或 Claude 等模型接管，來跟上語音交互的進展。
這些消息無一例外都指向了 AI 語音的火爆。
為什么過去半年多以來，AI 語音領域會如此集中地爆發？
聲智副總裁黃赟賀認為，語音對話從一個 App 中的功能模塊，迅速進化為 AI 時代入口級別的存在，與大模型的加持有極大關系。
在智能音箱紅極一時的年代，大部分我們熟知的智能音箱品牌都搭載了聲智的遠場聲學交互技術，比如小愛同學、天貓精靈、小度音箱等等。而「小愛小愛」的喚醒詞，實際上也是來自于聲智。
這家公司創辦于 2016 年，一直在聲學 + AI 交叉領域探索。然而，作為一家在幕后提供 AI 聲學技術的公司，在大模型浪潮來臨之后，果斷選擇下場投身開發自己的 C 端產品。毫無疑問，他們看到了這波「大模型 + 語音」浪潮里新的商業機會，其旗下的 AI 耳機目前出貨量已接近 100 萬套。
前不久，極客公園與聲智副總裁黃赟賀聊了聊AI語音市場的爆發邏輯、語音交互的「卡點」，以及它將如何影響我們的未來。
以下內容根據黃赟賀的講述和聲智的論文整理而成：
AI 語音為何現在爆發了？
最近兩年，越來越多的 AI 語音初創團隊獲得大額融資，集中爆發。
其中，一個很重要的推動因素是，大模型讓聲音這項基礎能力首次實現了「可編程化」。
「可編程化」這個詞，意味著將一種能力或者一個對象，通過清晰的接口和邏輯，變得可以被代碼自由地調用、組合、修改和控制。過去，文字是可編程的，圖像是可編程的，甚至視頻也是可編程的（比如視頻編輯軟件）。
但聲音更多的是一種「輸入」或「輸出」的介質，其內部的復雜結構和信息，很難被軟件直接「編程」和「理解」。
傳統的語音識別，更多是把聲音轉換成文字，然后對文字進行處理。
比如，之前在深圳、成都有很多做聲音標注的團隊，拿到語音之后，再人工轉換成文字，打上不同的標簽，比如各種特征、意向的標簽。
大模型來了之后，打標簽的這項工作可以交給大模型，它比大量的人工團隊標得快和準。
以前做 NLP 的背后都是一堆苦逼的運營在那里打標簽，讓 AI 系統能夠識別每個句子的意向。過去，語音的開發，每增加一個功能，都需要從頭寫代碼，費時費力。比如，想讓智能音箱支持「點外賣」，得單獨開發一套語音識別和語義邏輯，成本高、周期長。
而現在 AI 大模型可以解決了。
更重要的，依靠大模型對多模態數據的深度理解能力，對聲學信號的更細致解析，使得聲音本身攜帶的除了文字信息之外的更多信息，開始被 AI 系統直接捕捉、理解和「編程」。
這種可編程化，意味著 AI 可以像處理數據一樣處理聲音。它可以分析聲音的頻率、振幅、波形，提取出情緒特征、識別不同的聲源、聲源距離、甚至預測你的意圖。
這時，聲音包含的不再僅僅是「你說了什么」，更是「你如何說」、「你在哪里說」、「誰在說」以及「你說了之后希望發生什么」。
由此，聲音也成為了真正的交互引擎。
真正的語音交互，不是「Voice」而是「Sound」
其實，很多人以為，語音交互就是「Voice」（語音）。但其實 Voice 這個詞是一個狹窄概念。真正的語音交互，核心不是「Voice」，而是「Sound」（聲音）。Sound 里面包含了 Voice。
具體來說，「Sound」包含了更豐富的元素：語調、音色、節奏、情緒，更重要的是環境音。環境音里面可能包含了環境中的各種非語音信息，比如背景音樂、環境噪音（風聲、雨聲、車聲）、物體發出的聲音（開門聲、打字聲）、以及人類語音中包含的非語義信息（語調、語速、音色、語氣詞、嘆息聲、笑聲、哭聲等）。
比如說，你咳嗽的時候，跟 AI 說話，它可能會識別出咳嗽，然后跟你說多喝水；比如，你在咖啡館說，「幫我找個安靜的地方」，AI 不僅要理解你的指令，還要從背景音中判斷出你當前的環境嘈雜，從而推薦附近的圖書館。
當我說「下一代對話交互的入口并非『Voice』，而是『Sound』」時，我指的是 AI 系統將不再僅僅依賴于識別你說的「詞」，而是能夠全面感知和理解你所處環境的「聲學場景」中的所有關鍵元素。
只有當 AI 能夠全面感知并解析「Sound」中包含的這些多維度信息時，它才能真正理解用戶的深層需求，提供更精準、更個性化、更富有情感的交互。這才是真正的「語音交互」，它不僅僅是「聽懂」字面意思，更是「聽懂」你的「言外之意」和「心聲」。
語音交互的「卡點」，大廠燒錢也沒用
盡管大模型帶來了語音交互的巨大飛躍，但語音交互當下依然存在一個核心的「卡點」，而這個卡點根植于物理學，具體來說，就是聲學。
我們常說「聽清、聽懂、會說」。「聽懂」和「會說」的能力，正在被大模型以前所未有的速度提升。但「聽清」這個最基礎的環節，卻受到物理層面的制約。如果 AI 聽不清你的指令，即便它能「聽懂」再復雜的語義，能「會說」再動聽的話語，那也都是空中樓閣。
比如說當下最熱門的具身智能，現在很多機器人都是電驅動的，那么它帶來幾個大問題，一方面是電路的噪聲本身就很大，另一方面是關節噪聲，還有就是很多機器人是金屬材質，厚厚的，聲音在穿透時會大幅衰減。
所以，機器人動起來的時候，噪聲很大，尤其在室外，更難聽清楚人的指令。要么大聲喊，或者拿麥克風喊。因此，現在很多機器人都要靠遙控器來控制。
這方面，其實就需要對聲學層面的突破，比如說環境噪聲的抑制，比如電路底噪的抑制，還有嘯叫的抑制、混響回響的抑制等等。
而這些就是物理學科的邏輯，它需要數據樣本，需要 know how 的壁壘，不僅是技術問題，而是時間的問題，需要時間去采集聲音、做訓練。
這不是燒錢能解決的。
讓 AI 準確地「聽清」用戶的指令，依然是一個世界級的難題。而聲學相關的人才很少，所以像谷歌、微軟、蘋果經常會收購聲學技術的初創公司，幾乎只要出來一家就會收購他們。
大家都明白，要構建真正的下一代人機交互系統，擁有核心的聲學能力是基石。
語音交互的下一站，是實現「共情」
現在很多 AI 應用的日活、留存不高，有個很大的原因就是普通人本身是不會提問的，讓人向大模型提問，這本身就是一個非常高的交互門檻。
好的提問還需要學識、表達等基礎，所以停留在文字層面的問答，本身就是一種門檻限制。
而語音帶來的一種可能性是，它正在開啟一個全新的階段——人機交互的「共情模式」。
如果把語音交互比作一個「UI 界面」，那這個界面會長什么樣？我們可以做個推演，它的構成要素可能會有：
情緒識別：AI 通過分析語調、音量、語速，判斷用戶的情感狀態。比如，你的聲音顫抖，AI 可能推測你在緊張或傷心。
意圖理解：不僅聽懂你說了什么，還要明白你想做什么。比如，你說「播放音樂」，AI 會根據你的情緒，決定是放搖滾還是古典。
聲紋識別：通過獨一無二的音聲波特征，區分不同用戶。比如，家里的智能音箱能自動切換到「孩子模式」模式，只為孩子的聲音提供安全的回應。
情緒生成：AI 的回應需要帶有情感化的表達。比如，用溫暖的語氣說「別擔心，我來幫你解決」，而不是機械的「好的，正在處理」。
這些要素的背后，是 AI 從「功能導向」到「情感導向」的轉變，AI 會與人實現共情。這種交互，能顯著提升長時間交互的質量和親密感。
不僅如此，從狹義的「Voice」拓展到廣義的「Sound」，當 AI 能接收到的不僅僅是用戶的指令，而是整個物理世界的實時反饋時，我們可以去構建一個「聲學世界模型」。
這個「聲學世界模型」可以理解聲音在物理世界中產生、傳播和交互的根本規律，它不僅要「聽清」和「聽懂」，更要具備「聲學常識」和「聲學推理」的能力：它能從一聲悶響中分辨出是書本落地還是箱子倒塌；能通過回聲判斷出房間的大小與空曠程度；更能理解「腳步聲由遠及近」背后所蘊含的物理運動邏輯。
未來，當這樣一個聲學世界模型與視覺、語言大模型深度融合時，具身智能機器人將不再「失聰」和冰冷。這也是我們正在做的。
