全世界都在讲 AI 话｜AI 器物志

来源：市场资讯

（来源：爱范儿）

过去两年里，AI 最明显的变化不只是模型变聪明，而是它的定位从少数人的专业工具，转变成了日常生活的基础能力。

如今，我们更是习惯了在走路、开车、做饭甚至摸鱼期间，随时随地向 AI 发出指令。

图｜Google

只不过随着频率提高，以 PC 时代键鼠交互为主的人机交互方式正在逐渐暴露出短板——

「手动打字」需要用户先有一个想法，再将散乱的思绪组织成连贯语言，还要在叙述中保持一定的逻辑关系，才能将脑袋里想的变成 AI 能够理解的提示。

The Passion of Creation｜Leonid Pasternak

而在键盘的另一边，手机时代所主导的「语音输入」就几乎没有这样的桎梏。

毕竟讲话和打字最大的区别，就是语音允许人们一边输出，一边思考、补充和修正，相比键盘输入更接近思维原本发生的方式。

此外，语音输入不需要稳定的桌面环境，也不要求用户持续低头，更不用优秀的文字表达能力——

对于绝大多数没有受过系统写作训练的普通人来说，语音远比文字输入更接近「真正的自然交互」。

这种广泛的需求之下，自然也催生出了一批围绕语音入口展开的产品。

比如势头正盛的 Plaud，主打的就是将录音、转写和总结包装成完整工作流；

成为样板产品的 Typeless 则负责删除语气词、进行格式清洗后「帮你成文」。

诸如光帆 Lightwear 之类的可穿戴设备则更进一步，试图整合出一条传统智能手机之外，全场景的完整 AI 使用流。

图｜光帆科技

这些产品的形态各不相同，押注的却是同一件事：

下一代 AI 入口，未必要求用户坐下来、打开应用并认真打字。

嘿，AI

「自然语言交互」听上去非常先进，但它先进的地方其实是沟通效率，技术原理上并没有什么惊天地泣鬼神的地方。

门槛最低的方案，就是一副 TWS 耳机加手机上的 AI，就能组成一个 24 小时在线的虚拟副手。

初代 AirPods 广告《Bounce》｜Apple

毕竟耳机本来就在耳朵里，手机系统与第三方 app 也有现成的语音转写、快捷指令和跨应用输入。

不需要任何专用硬件，就可以把你散碎的命令传达给任何一个 AI 模型。

更残酷的是，它的速度、兼容性和跨设备能力，仍然优于市面上大多数号称「开创先河」的专用 AI 硬件——

图｜Mashable

然而现实情况是，这套近乎无门槛的组合，真正的瓶颈不在手机、而在麦克风对环境人声的处理。

就拿 AirPods 为例，由于 AirPods 的麦克风策略强调声音自然度、不愿意给人声降噪，在多人环境里经常会出现将周围说话的声音一并采集到转成文字的问题。

这对于打电话或者发语音没什么，但对于 AI 输入，一旦提示词「夹生」，就很容易得到完全不相关的回答：

相比之下，国产品牌的 TWS 耳机普遍采用了更激进的人声隔离策略，牺牲了一些通透模式自然度，换来了电话和 AI 语音期间更好的准确率。

如果往更深层看，这意味着在 AI 成为「主流使用场景」的当下，耳机好坏的评价标准正在改变——

过去耳机比的是音质、延迟和降噪，未来除了前面这些，更要比较人声降噪的强度、准确性和分离能力。

甚至我们可以说，耳机麦克风正在从逐渐被人遗忘的通话配件，一举变成了最前端的 AI 控制器。

Mission: Impossible (1996)

语音指挥的第二条路线，则是智能眼镜。

尽管智能眼镜总是强调「给人生加上一块 HUD」，但从商品化结果来看，唯一成功的智能眼镜仍是以语音、拍照和开放式音频为核心的基础款。

图｜Laptop Mag

这背后的原因倒不复杂：眼镜显示系统会牺牲重量、续航和成本，更需要从 0 培养一套全新的用户使用习惯。

而「看见什么问什么，AI 讲给你听」，本身就足够构成一个相对清晰的 AI 卖点了。

图｜Meta

但智能眼镜的问题在于，它的「无感」更多存在于宣传片里。

毕竟当一副带摄像头的眼镜持续朝向别人时，对方很难判断设备是否正在拍摄或者收音，这种不确定性本身就会制造社交压力。

再加上受限于体积和续航，智能眼镜的麦克风阵列、通话降噪和扬声器效果，不一定比成熟的 TWS 耳机更好。

图｜Stuff

更重要的是，在目前智能眼镜的销售模式中，这类产品往往与品牌客户端和云端模型深度绑定，用户在模型选择、数据迁移和跨设备切换方面缺乏自由度。

最简单的例子就是 Meta。

Meta Ray-Ban 智能眼镜在各个方面都比较平衡，却强制用户连接 Meta AI，不能作为蓝牙音频设备直接唤醒 Siri 或者其他智能助手。

图｜Engadget

这种程度的绑定让智能眼镜虽然成为了「语音 AI 交互」的代表性产品，却很难成为那个主流产品。

第三条路线，则是 2026 年以来逐渐兴起的道路——为语音输入 AI 制造独立硬件入口。

比如刚刚 OpenAI 与 Work Louder 联名的的 Codex Micro，就是一块面向 AI 智能体的外置控制台。

并且上面专门设置了一个用于语音输入的 push-to-talk（PTT）按键：

图｜OpenAI

尽管 Codex Micro 本身没有麦克风，PTT 需要调用电脑连接的其他收音设备，但这种设计依然具有象征意义：

语音输入已经不再只是 UI 中的一个小图标，而开始逐渐获得类似鼠标右键、手机拍照键或者键盘指纹一样的稳定的物理位置。

将语音输入单独作为一个按键设置，基本上承认了这种 AI 交互方式的高频属性——甚至对某些用户可能比 26 个字母键都要更高频。

罗永浩演示 TNT

而 PTT/TNT 更进一步的设想，就是彻底摆脱屏幕。

爱范儿之前爆料过，OpenAI 正在规划的若干硬件产品中，就包括一个无屏的便携设备，通过语音、摄像头和环境传感器理解用户所处的情境。

图｜MacRumors

如果 OpenAI 真的这样设计，无异于承认了曾经 Humane AI Pin 的道路。

当然，背后有 ChatGPT 和 Codex 做背书，OpenAI 的徽章肯定会比 Humane 的更实用。

与此同时，面对 AI 语音交互最难绕开的两个问题：公共场合说出个人安排的尴尬，以及嘈杂环境中的识别失真，研究者们也有了一些奇思妙想。

比如近期出现的一些「超声波舌部动作识别」设备，通过抵在下颌的超声波探头读取舌头运动，再用机器学习将其解码为语言：

图｜Hackaday

另一些研究则尝试把传感器装进眼镜或头显，通过面颊、颧骨和口部的细微运动识别无声指令——之前被苹果悄悄收购的 Q.ai 就是研究这个方向的。

这些装置距离消费级产品仍然很远，识别范围、准确率和佩戴体验也存在明显限制，但方向已经足够清晰。

未来的「语音输入」未必真的需要发出声音——所谓语音交互，最终可能演化为对人类发声动作、口型乃至面部肌肉活动的直接识别。

图｜Game Anim

帮我算算 token 用量

归根结底，为什么语音输入能够在 AI 时代获得超越键盘的声望，还是因为人类不是纯粹的「视觉动物」。

换言之，人们虽然习惯于用眼睛接收信息，但并不擅长用视觉信号发送信息。

在传递信息这件事上，我们仍然遵循着 30 万年前的习惯：发出「咕咕嘎嘎」的声音就是要比打手势效率高。

《九品芝麻官之白面包青天》（1994）

用语音指挥 AI，看似是一种相对低效的使用方式——人在讲话时经常重复、跑题，表达也很难称得上精炼。

但它最大的特点，就是消弭了 AI 的工具感。

无论用户潜意识里把 AI 当作下属、秘书还是同伴，以对话作为交流媒介，始终比填写命令框更接近人类本源的协作方式:

然而「语音交互」虽然便利，这种便利的隐性成本也在上升。

传统 STT 工具只负责把声音转换成文字，最终模型用来计费的只有转换后的文本输入与输出 token；

而 Typeless 之类的「文本清洗」工具还要额外调用模型，对口语进行整理和改写，再把整理后的内容发送给另一个 AI，中间又叠加了一层 token 消耗。

图｜MakeUseOf

而当各家的多模态模型进入「原生音频」的阶段之后，由于需要持续处理声音、上下文、语气、打断和输出，一个工作阶段内的 token 消耗量往往是纯文本的 10 倍或更高。

虽然与高清图片和视频处理相比，语音处理的总 token 成本依然不算离谱，但它已经不再是一个可以忽略的附属功能。

尤其在长时间实时对话中，用户很难像输入文字那样主动控制信息长度，模型却必须持续维持连接、理解上下文并生成反馈。

图｜Mashable

这就导致 AI 语音交互越自然，背后的计算过程反而越复杂，用户最终的消费成本也就更高。

这一点几乎成为了最近 AI 厂商们的一种「阳谋」——

毕竟鼓励语音交互一方面好处多多，另一方面更是将 token 消耗量推上一个新台阶，没有厂商会和收费过不去。

因此，对于模型厂商以及配件品牌来说，未来 AI 业务的竞争不只是能不能听懂人话。

更关键的是，谁能以更低延迟、更少冗算和更透明的计费，调和好不同模态业务之间巨大的成本差异。

毕竟让人们开口对 AI 讲话并不难，真正难的是让人们想要一直说下去。