语音交互

general · 首次出现 2026-05-22 · 最近出现 2026-11-17 · 累计提及 114

综述

语音交互指用户通过自然语言对话与 AI 系统沟通的交互方式,正从传统的“语音识别—文本处理—语音合成”流水线,向端到端、可打断、可同时听说看全双工的方向演进,成为大模型落地的核心入口之一。近几个月,这一领域在新模型、新硬件和新产品形态上都有密集动作。

语音交互的近期进展

  • 全双工模型密集发布:FishAudio 推出 Live 3,支持全双工实时对话;nuance_ai 发布基于 Nuplex 的视听对话模型 Emma,能同时接收图像与语音输入;Shizuku AI 发布日语全双工模型 Shizuku-Duplex,据 IT之家报道其日语对话自然性位居榜首。这类模型的核心特点是支持用户随时打断、实时响应,接近真人对话节奏。
  • OpenAI 整合语音产品线:OpenAI 宣布将于 2026 年 12 月 11 日下线 ChatGPT 的 Advanced 与 Standard 两种语音模式,意味着其语音能力将统一到新的架构上,老版本的过渡期已经明确。
  • 语音成为新的设备与交互入口:YC 团队推出语音控制的 AI 手机 Blue,强调跨应用保持上下文;Project Mnemosyne 则发布了耳塞加智能戒指的组合,用语音指挥 Codex 和 Claude 等 coding 智能体,显示语音交互正从消费对话延伸到开发者工作流。
  • 教育与开发者生态跟进:DeepLearning.AI 在 AI Dev NYC 2026 上设置两场工作坊,主题分别为网页智能体与实时语音智能体;同时与 VocalBridge 联合推出语音智能体课程,反映行业对相关工程人才的明确需求。
  • 当前焦点与观察点

    语音交互目前的主要争议和看点集中在三处。其一,全双工端到端模型与传�统流水线架构的路线之争:前者延迟低、体验自然,但在可控性和成本上尚待验证。其二,商用化时间表:OpenAI 在 2026 年 12 月 11 日统一语音入口后,各家能否在延迟、价格和稳定性上形成差异化值得关注。其三,语音作为智能体操控界面的可行性——从 Blue 手机到 Mnemosyne 硬件,行业正在验证“用嘴指挥 AI 干活”是否比触屏和键盘更高效。对普通用户而言,短期内最直接的变化是 ChatGPT 老语音模式的退役和新全双工体验的普及;对开发者而言,实时语音智能体的工具链和课程资源正在快速补齐。

    相关报道

    10 条在档