语音AI目前还有很大的瓶颈要发展

高管强调推理速度

TechCrunch 10月11日报道，PolyAI 首席技术官 Shawn Wen 在上个月的 HumanX 大会上表示，全双工模型已经成为技术里程碑，但语音 AI 尚未迎来自己的“ChatGPT 时刻”。全双工指系统可以一边接收用户语音，一边输出语音；Wen 认为，下一道难题是加快推理，让模型及时取得答案，使通话节奏自然。他的判断针对实际服务体验：客服智能体需要让来电者相信问题能够解决。按他的描述，用户愿意完成最初两三轮交流后，才可能逐渐建立信心，并接受由智能体继续处理。这里的“时刻”是这位高管对技术普及的判断，并非已有统一指标的行业结论。

模型进入企业云账户

PolyAI 7月30日发布 Dialog-RSN-1，称模型已在生产环境处理真实来电。10月6日，PolyAI 宣布 Dialog-RSN-1 上线 AWS SageMaker，企业可通过 AWS Marketplace 订阅，并在自己的 AWS 环境内部署推理端点。SageMaker 是 AWS 的机器学习部署服务，端点则是企业系统调用模型的接口。公告称，该模型直接感知来电音频，在一次处理内完成理解、推理和响应，响应时间低于 300 毫秒。这是厂商对模型的性能描述，不能据此认定每通电话从用户说完到听见回答都达到这一速度。

此次上线给企业增加了一条购买和部署路径。PolyAI 表示，模型费用可计入客户已经承诺的 AWS 支出，并沿用现有虚拟私有云、身份权限和监控配置；客户仍负责流程编排、电话系统接入与业务逻辑。也就是说，购买模型没有替企业完成预约、查单或修改账户的系统集成。对采购团队而言，已承诺的云支出提供了支付入口，但公告没有列出单次调用价格，也没有给出客户能够节省多少总费用。由此可以推断，这次进展主要降低了部署接入的门槛，企业仍要承担业务连接和运行验证的工作。

语音架构影响算力

PolyAI 在模型发布说明中，把语音系统的取舍落在音频信息、输出控制和推理运行方式上。传统级联方案依次进行自动语音识别、语言模型推理和语音合成；自动语音识别即 ASR，把音频转成文字，语音合成即 TTS，把回复转成声音。PolyAI 指出，这种方案通常只把识别结果交给推理模型，语调和识别不确定性可能在交接时丢失。语音到语音方案直接接收并生成音频，而 Dialog-RSN-1 直接理解音频、单独调用 TTS，保留独立选择输出声音的能力。其模型按请求运行，由语音活动检测和计时器触发检查，再由模型判断是否开口。PolyAI 称，持续运行的全双工流需要在整通电话中占用 GPU，而按需调用有利于控制成本。这是厂商对架构的解释，公开说明没有提供统一流量和硬件条件下的成本账单，因此不能据此计算数据中心资源节省幅度。

全双工仍有流畅度差距

字节跳动 Seed 团队的 Seeduplex 发布说明展示了全双工在交互控制上的进展。该模型联合分析语音与语义，判断用户是在犹豫、结束表达，还是要求停止回复。Seed 称，相比豆包此前的半双工模型，Seeduplex 在复杂场景下的抢话比例相对下降 40%，误回复率和误打断率降低一半；判停延迟降低约 250ms，打断响应延迟缩短约 300ms。这些是发布方报告的不同指标，不能相加成为一个总体性能提升比例。Seed 同时披露，在真人对话测试中，Seeduplex 的整体对话流畅度与真实人人对话仍有不小差距。发布说明因而支持一个有限判断：边听边说改善了等待、插话和抗干扰机制，但自然交流还涉及对上下文的持续理解，不能只凭其中一项延迟判定已经成熟。

转录准确性影响行动

识别错误会直接影响企业正在推进的自动化。Wen 向 TechCrunch 表示，ASR 经常漏掉重要关键词，使系统难以捕捉完整上下文。Otter 首席营销官 Alex Gay 也表示，公司持续改进转录，语言能力仍是需要提升的领域。Gay 强调，转录是后续生产力功能的基础；一旦原始文本不够准确，依赖它的操作就可能出错，错误行动会损害用户对平台的信任。对会议助手而言，问题由此延伸到记录之后：摘要如何理解决定、行动项归给谁，以及组织知识能否正确进入后续流程，都依赖前端没有把重要信息识别错。

Otter 7月21日宣布推出 Live Assist，面向 Otter Enterprise 客户提供通话中的实时指导，支持 Zoom、Google Meet、Microsoft 平台及 Otter 桌面应用。按公司说明，用户可通过 Agent Builder 定制助手，并接入操作手册、标准流程、既往会议和其他资料；助手自动加入通话，向使用者显示提示卡并实时核对目标。提示只对使用者可见。这个产品把会议内容用于当场工作决策，转录和意图理解的错误因而可能在通话尚未结束时影响员工选择。从已披露的功能看，企业部署需要把知识准备、识别质量和提示是否适用一并纳入验收，单看录音后的摘要不足以判断这类产品的实际效果。

会议分身仍在研发

Gay 在 HumanX 讨论中还表示，Otter 正在开发可能代表用户参加会议的数字孪生，即能够代替本人参与交流的数字化代理。这个方向需要识别说话人、捕捉意图，再结合组织知识形成可执行内容；Gay 认为，输出语音还必须承载与人交流时的情感表达，使代理能够参与辩论和战略讨论。TechCrunch 报道的是研发方向，没有给出该能力的上线日期。它所要求的能力已经超出生成顺畅语音：代理必须理解会议中的关系与讨论目的，才能在代表用户发言时提供恰当回应。按 Gay 的描述，情绪表达和组织上下文都属于产品要解决的问题，不能由声音逼真这一项功能替代。

通话录音需要告知

两位高管还把透明度列为建立信任的具体要求。Wen 表示，企业通话应明确告知来电者正在与 AI 交流；Otter 则表示，希望让参会者知道会议正在被记录，即使没有录音机器人出现在会议中，也尝试通过聊天通知所有人。此类告知影响用户是否愿意继续说话，也影响他们怎样理解代理的回答和记录用途。结合已上线的云端模型与会议指导产品，可以作出的判断是，语音 AI 已进入实际工作流程，采用方的验收范围也随之扩大：模型响应、关键内容识别、业务执行和身份告知，都关系到一次通话能否完成任务。Wen 所说的下一阶段，仍以用户愿意继续交流且问题得到解决为条件。