AI越来越能干

来源：市场资讯

（来源：网易智能）

出品 | 网易智能

作者 | 小爪

编辑 | 王凤枝

AI已经替人省下了不少力气：写邮件、做表格、查资料、改文案，都可以交给它。可在AI开始干活以前，人还得坐在键盘前，或者低头在手机上，把要求一个字一个字敲进去。工作省力了，输入这件事却还是体力活。人还能不能再懒一点？

大厂给出的答案，是让人少动手、多开口。OpenAI在2026年7月发布GPT-Live，谷歌也在更新Gemini的原生音频能力。《金融时报》援引两家公司的数据，谷歌的实时语音使用量在截至2026年4月的一年里翻了一倍，OpenAI每周有超过1.5亿人用ChatGPT语音。谷歌还称，Gemini Live的平均会话时长约为文字会话的5倍。

这当然不是把Siri重新做一遍。上一轮语音热潮解决的是"机器能不能听见一句命令"；这一次，OpenAI和谷歌想让系统一边听、一边说，还能把任务交给后台模型接着做。竞争的重点正在从"声音像不像真人"，转向"AI能不能接住一段不完整、会变化的意图，并把它变成行动"。

可是动嘴比动手轻松，不代表语音适合所有地方。办公室里怎么开口？地铁上是否尴尬？背景噪声会让系统听错吗？创业公司甚至开始把麦克风做进戒指、手持设备和贴近嘴部的硬件。

语音重新升温，因为它可以接得住复杂任务

单看用户量和会话时长，很容易以为这轮热潮是因为"AI说话更像人了，用户也更愿意陪它聊"。但大厂近期加的功能指向另一种用途。Gemini Live加入相机和屏幕共享后，用户可以一边展示眼前的设备或手机界面，一边让AI帮忙排查问题；OpenAI则把更长、更复杂的任务列为GPT-Live的重点方向。语音这次进入的，是那些很难压缩成一句命令的场景。

任务越复杂，差别越明显。打字时，人往往会先删掉犹豫和背景，把问题整理成一条看似清楚的指令；说话时，意图、限制条件和拿不准的地方更容易一起讲出来。OpenAI员工桑德罗·贾内拉（SandroGianella）说，打字会让他过早跳到任务本身，开口描述则会让他更多解释为什么要做、有哪些约束，以及什么才算理想结果。

这仍不能证明语音比文字更高效。会话时长翻5倍，可能是用户提供了更多上下文，也可能只是包含了停顿、重复和纠错；公司披露的数字里没有任务完成率。涉及地址、数字、代码这些需要反复核对的内容，文字依然更精确，也方便回看。语音争取到的不是所有输入，而是复杂任务开始前那段最难说清楚的交代。

从"听见一句命令"到"接住一段上下文"

早期语音助手听上去像在和人对话，背后却是一条接力流水线。用户说完一句话，第一套模型把声音转成文字，第二套模型根据文字生成答案，第三套模型再把答案念出来。每一棒都要等上一棒结束，反应自然慢；声音变成文字后，语速、停顿和语气也可能在传递中丢失。

后来的语音模型开始直接处理和生成声音，延迟降下来了，但对话仍是一人一句。系统通常要等用户停止说话，才判断这一轮结束。问题是，人说话时本来就会停下来想，旁边也可能有车声或其他人插话。一次短暂停顿可能被当成"我说完了"，一段背景噪声也可能让系统在不该接话的时候抢话。

OpenAI这次给GPT-Live加入的全双工能力，改变的首先是对话节奏。它可以在输出声音的同时继续接收输入，并在一秒内多次判断该继续听、停一下，还是开口。对用户来说，最直接的变化不是AI多会说"嗯""我明白"，而是你可以中途补一句"预算别超过5000元"，或者发现方向不对时立刻打断，不必等它把整段回答念完。

另一项变化在对话背后。GPT-Live负责维持眼前的交流，需要搜索、推理或执行更复杂任务时，交给后台模型处理。语音系统更像一个留在前台的接待者：继续确认条件、接收新要求，费时的工作则在后面推进。谷歌更新Gemini 2.5 Flash Native Audio时，也把函数调用、复杂指令执行和多轮上下文列为重点。

这套架构不代表AI已经懂人的情绪和言外之意。它先解决的是另一件事：别让一次停顿切断对话，也别让一个复杂任务只能塞进一句口令。

语音能接住复杂任务，也会带出新麻烦

AI能做的事情越少，语音的价值越有限。查天气、设闹钟、放一首歌，一句话就能说清，动手点几下也不费事。只有当AI开始处理需要多个步骤的任务，人与它的交流才从"下命令"变成"做交代"。

让AI规划一次家庭旅行，真正有用的信息往往不是"去哪里玩"这一句。同行有没有老人和孩子，能不能坐早班机，酒店位置有什么要求，很多条件不是一开始就能列成清单，而是在讲述过程中陆续想起来的。打字要求人先整理再输入，语音则允许人先把事情说出来，再边想边补。

任务开始执行后，语音还能随时纠偏。用户不必等AI交出完整结果才发现它误解了重点，可以在过程中补充"别改原来的格式""先比较价格，不要下单"，或者直接叫停一条走偏的路线。做饭、开车、修设备这些双手或视线被占用的场景，随时插一句话的能力比声音是否逼真更重要。

不过语音也会带来新的混乱。人说话常有重复、跳跃和说到一半改主意，专有名词、地址和数字还可能被听错。需要逐字确认的内容，最终还是要回到屏幕上检查。

键盘输入再麻烦，至少是安静的。语音会把原本只存在于屏幕上的交互带进周围环境：用户要把旅行安排、工作计划甚至私人信息说出口，旁边的人也要被迫听见。一个人愿意在家里和AI说上十分钟，不等于他愿意在办公室、咖啡馆或地铁里这样做。

这也是为什么一些创业公司不只在改模型，还在改麦克风。《金融时报》提到的方案包括领夹式设备、黑色管状麦克风，甚至咬在口中的设备。Sandbar推出的Stream戒指默认关闭麦克风，用户按住触控区域、把手抬到嘴边才开始录音。这个动作看起来有些古怪，却同时解决了两个问题：让设备更容易收到近距离声音，也让录音动作变得更明确。

噪声是另一道难关。实验演示里，系统面对的通常是一个清楚的说话者；现实中可能同时出现汽车声、电视声、同事交谈。语音系统不仅要听清词语，还要判断哪句话是用户对它说的、一次停顿是不是还在思考。对话持续得越久，错误也可能不再是听错一个词，而是把错误的背景带进后续任务。

2026年6月，一项独立研究测试了多款实时语音模型，发现它们即使能识别哭泣、恐惧或讽刺，也可能在给建议时忽略这些声音线索。识别得到，不代表用得上。

大厂这轮重新押注语音，赌的是让AI接住一段真实、混乱、带情绪的意图。但让它接得住，只是第一步。接下来还得回答：在什么场合可以开口、在什么噪声里听得清、听到的情绪什么时候该用。这些问题，模型自己给不出答案。