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。

2025年美图公司研究报告：多模态技术周期产品力重估，AI赋能全球掘金（附下载）一、GenAI重塑传统图像智能化，技术代际变化带来新机遇图像编辑与生成密切相关，扩散模型将图像编辑引入技术新周期。图像编辑是计算机视觉的基础任务之一，与图像生成从零开始创建新图像不同，图像编辑涉及修改已有图像的外观、结构或内容，包括添加元素、替换背景和改变纹理等任务