过去半年，「AI 语音」赛道正密集地获得融资。尤其引人注目的是，这些融资多为大额，并且投向早期团队。

比如，前不久 AI 语音应用 Wispr Flow 靠「默念输入」，完成了 3000 万美元的 A 轮融资，累计融资额已达 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；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，无论是 Meta、OpenAI、Google 等科技巨头，还是 MiniMax 等创业公司，都在密集发布自己的语音模型或语音产品。Siri 也被曝出或将被 ChatGPT 或 Claude 等模型接管，来跟上语音交互的进展。

这些消息无一例外都指向了 AI 语音的火爆。

为什么过去半年多以来，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。

在智能音箱红极一时的年代，大部分我们熟知的智能音箱品牌都搭载了声智的远场声学交互技术，比如小爱同学、天猫精灵、小度音箱等等。而「小爱小爱」的唤醒词，实际上也是来自于声智。

这家公司创办于 2016 年，一直在声学+ AI 交叉领域探索。然而，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后，果断选择下场投身开发自己的 C 端产品。毫无疑问，他们看到了这波「大模型+语音」浪潮里新的商业机会，其旗下的 AI 耳机目前出货量已接近 100 万套。

前不久，极客公园与声智副总裁黄赟贺聊了聊AI语音市场的爆发逻辑、语音交互的「卡点」，以及它将如何影响我们的未来。

以下内容根据黄赟贺的讲述和声智的论文整理而成：

AI 语音为何现在爆发了？

最近两年，越来越多的 AI 语音初创团队获得大额融资，集中爆发。

其中，一个很重要的推动因素是，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」这个词，意味着将一种能力或者一个对象，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，文字是可编程的，图像是可编程的，甚至视频也是可编程的（比如视频编辑软件）。

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，更多是把声音转换成文字，然后对文字进行处理。

比如，之前在深圳、成都有很多做声音标注的团队，拿到语音之后，再人工转换成文字，打上不同的标签，比如各种特征、意向的标签。

大模型来了之后，打标签的这项工作可以交给大模型，它比大量的人工团队标得快和准。

以前做 NLP 的背后都是一堆苦逼的运营在那里打标签，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。比如，想让智能音箱支持「点外卖」，得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 大模型可以解决了。

更重要的，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。

真正的语音交互，不是「Voice」而是「Sound」

其实，很多人以为，语音交互就是「Voice」（语音）。但其实 Voice 这个词是一个狭窄概念。真正的语音交互，核心不是「Voice」，而是「Sound」（声音）。Sound 里面包含了 Voice。

具体来说，「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。环境音里面可能包含了环境中的各种非语音信息，比如背景音乐、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）。

比如说，你咳嗽的时候，跟 AI 说话，它可能会识别出咳嗽，然后跟你说多喝水；比如，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。

当我说「下一代对话交互的入口并非『Voice』，而是『Sound』」时，我指的是 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」。

语音交互的「卡点」，大厂烧钱也没用

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。

比如说当下最热门的具身智能，现在很多机器人都是电驱动的，那么它带来几个大问题，一方面是电路的噪声本身就很大，另一方面是关节噪声，还有就是很多机器人是金属材质，厚厚的，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，或者拿麦克风喊。因此，现在很多机器人都要靠遥控器来控制。

这方面，其实就需要对声学层面的突破，比如说环境噪声的抑制，比如电路底噪的抑制，还有啸叫的抑制、混响回响的抑制等等。

而这些就是物理学科的逻辑，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，几乎只要出来一家就会收购他们。

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。

语音交互的下一站，是实现「共情」

现在很多 AI 应用的日活、留存不高，有个很大的原因就是普通人本身是不会提问的，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。比如，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。比如，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。比如，家里的智能音箱能自动切换到「孩子模式」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。比如，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，我们可以去构建一个「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。这也是我们正在做的。

广东省机器人协会任玉桐：广东是全球机器人产业“应用试验田”　　“广东是全球最大的机器人应用市场，也是产业链最完整的地区。”日前，广东省机器人协会执行会长任玉桐在接受上海证券报记者专访时表示，从核心零部件到整机制造，广东已形成覆盖减速机、伺服电机、控制器、传感器等关键环节的产业生态，人形机器人供应链占全国57%的份额，为技术迭代提供了“应用试验田”