高管称语音AI尚未迎来ChatGPT时刻

驱动中国10月12日消息，语音AI（Voice AI）长期被视作下一代人机交互界面，资本与产品迭代持续升温，但企业语音AI平台PolyAI首席技术官肖恩·文（Shawn Wen）表示，尽管全双工（full-duplex）模型已经出现，语音AI仍未迎来属于自己的“ChatGPT时刻”。

据TechCrunch报道，围绕语音交互的创业和投资热度仍在上升。投资者向语音AI初创企业投入数十亿美元，覆盖模型研发、企业客服、会议记录、AI听写等多个方向。几乎每周都有新的模型或工具发布，宣称声音接近真人、对话也像真人。

不过，实际体验与宣传之间仍存在差距。报道提到，语音AI常会遗漏上下文层中的关键信息，进而导致整个处理链路中断。对于需要连续理解、实时回应和稳定执行的企业场景来说，这种问题会直接影响可用性。

肖恩·文在上月举行的HumanX大会现场表示，行业已经达到开发全双工模型的里程碑。所谓全双工模型，可以在“听”的同时继续“说”，更接近人类对话中的实时互动。但他认为，下一步挑战不是单纯模仿声音，而是让推理速度足够快，使模型能够迅速获取答案，让对话显得自然。

这一判断指向语音AI从“拟人化”向“可靠化”推进的关键瓶颈。模型不仅要生成流畅语音，还要在复杂对话中准确识别意图、维持上下文，并在延迟可控的情况下完成检索、推理和动作执行。对于客服、会议、语音助手等高频场景，速度和稳定性往往比音色更像真人更关键。

肖恩·文还提到，客服场景中的AI代理（AI agents）不应听起来像机器，而应让来电者获得足够信心。这意味着语音AI的企业落地，需要在自然度、响应速度、上下文理解和任务执行之间形成闭环，而不是停留在单点模型能力展示。

从行业层面看，语音AI尚未出现类似ChatGPT的破圈时刻，并不等于技术停滞。相反，资本、模型和工具链的持续投入，正在推动语音交互从实验性产品走向工程化系统。接下来的竞争焦点，可能不再是“谁的声音更像人”，而是“谁能在真实业务中更快、更稳、更完整地听懂并回应”。