用語音和 AI 聊天早已不是新鮮事，但市面上絕大多數語音助手的底層邏輯其實是在「念稿」——先把人說的話轉成文字，交由文本大模型思考，最後再用語音合成技術朗讀出來。
由前推特聯合創始人推出的語音模型 Dessa，徹底繞開了文字這座橋樑，試圖證明機器的知識與對話能力可以直接從聲音本身生長出來。
「既然人類嬰兒在識字之前就已經學會了說話，機器為什麼不能走同樣的路？」Jack Dorsey 抱著這樣的決心於是這樣做了一個 AI 實驗室。Jack Dorsey 是現在的X、從前的推特的創始人之一，現在有一家自己的公司 Block，核心業務是 Square 和 Cash App 等金融支付產品。Dessa 是旗下的研究團隊，只關注 AI 研究，直接向公司創始人 Jack Dorsey 匯報。
把文字從訓練過程中剔除，是因為文字天然會過濾掉大量資訊。文字把一句話固定成一串靜態的字符，而聲音每一次響起都千差萬別。Block 團隊表示，完全浸泡在聲音里長大的 Dessa 不僅能邊聽邊說、自然插話，隨時給出「嗯」「是的」這類附和，甚至能直接在一台配備 M4 Max 晶片的 MacBook Pro 上本地運行。
受限於尚未公開的訓練細節與模型規模，外界還難以評估這套技術路線的上限，但它確實指向了一個長期被文本大模型掩蓋的「非主流」路線：從語音到語音。
會說話，然後會接電話
如果說 Dessa 代表了實驗室里對語音本質的純粹探索，那麼在同一時期，語音模型的另一條務實路線正加速駛入日常工作流。
10 月中旬，OpenAI 更新了語音模型 GPT-Live，不僅在 ChatGPT 客戶端里改善了多語言口音的自然度，還在面向開發者的 API 中一口氣新增了包括日韓口音英語在內的九款音色，並支持直接用文字描述來定製聲音。
幾乎同時，xAI 也推出了同樣主打實時端到端語音交互（speech-to-speech）的 Grok Voice 3.0。
與 Dessa 那種「完全不碰文字」的潔癖式訓練不同，以 Grok 為代表的主流商業模型更在意如何將大模型的文本推理底子與原生語音能力結合，讓聲音真正派上用場。
以特斯拉為例，車主可以直接在車機上和 Grok 對話，而不用單獨打開手機、點開 app。
有趣的是，這批主流語音模型的進化方向，都圍繞著一個極其微妙的時間展開：半秒鐘。
在鍵盤上打字時，多等半秒幾乎不會改變交流的性質；但在電話里，半秒鐘的沉默就足以讓對話完全走向另一個極端。這也是為什麼，哪怕 AI 給出的答案無懈可擊，只要它每次都死板地等人把話說完才接茬、在不合時宜的地方發笑，或者在被打斷後依然固執地念完原稿，用戶就會瞬間出戲。Grok Voice 3.0 的評測中，半秒鐘就是它的優化目標。
毫秒間的差異，會直接影響實際的商業應用。目前車載空間與客服熱線，構成了語音 AI 最能發揮的應用場景。根據 xAI 披露的內部運營數據，這套語音系統除了每天應付海量的特斯拉車內對話外，還承擔了 Starlink 每天約 2 萬通的客服來電，其中約七成問題無需轉接人工即可辦結。
除了速度，模型能否在夾雜著口音、背景噪音和頻繁打斷的通話中聽清訴求，能否在後台順暢地檢索資料、調用工具、處理故障，最後禮貌地掛斷電話。這一系列的操作都需要絲滑完成，再加上自然的聲音，才真正算得上「上崗」。
科幻片裡的聲音，為什麼還不是電腦的主界面
人類對語音電腦的迷戀由來已久。早在《銀翼殺手》里，主角 Deckard 就曾對著圖像分析儀一聲聲下達口令，讓畫面平移、放大，直至鎖定隱藏的線索。
到了《Her》中，作業系統 Samantha 更進一步，從執行指令的機器變成了隨時陪伴左右的靈魂伴侶。不僅能完成所有的日常任務，聲線還極其靈動，因此才能和男主建立感情。
現實中的技術演進也的確實現了原先的想像。早年的手機語音助手只能處理設鬧鐘、查天氣這類固定句式的簡單指令，智能喇叭走進客廳後，最常乾的活也不過是放音樂和倒計時。直到大語言模型與語音 Agent 結合，機器才算真正聽懂了自由散漫的口語，並開始幫用戶收發簡訊、預約餐廳，聽著開發者的口頭描述去調用編程工具修改代碼。
▲ Apple HomePod
然而，哪怕語音 AI 已經能處理遠比「把燈打開」複雜的任務，我們面前，螢幕始終有一席之地，敲鍵盤和點滑鼠，現在還不能被語音使用動搖。
這並非因為模型還不夠聰明，而是受制於聲音作為資訊媒介的物理屬性。
聲音是線性的，在調度 AI 方面，它尤其適合用來表達一個模糊的意圖。比如編程中的想法， 比如指揮 Agent 安排任務。
但是在工作生產的場景，它並不擅長讓人同時審閱多個並列的選項。寫文章時，我們需要一目了然地看到段落結構並隨時回溯修改；寫代碼時，我們必須盯著螢幕比對代碼差異與運行結果。
哪怕只是訂一張機票，把幾個航班的價格、起降時段和退改簽規則同時鋪在螢幕上掃一眼，也遠比聽語音助手逐條念出來要高效得多。
AI 替人代勞的權限越大，人類往往越需要一塊可視化的界面，去核實它到底幹了什麼，並且在出錯之前就及時停下和回撤。
物理環境與社交禮儀同樣在暗中劃定語音的邊界。在開車、做飯或雙手抱著孩子的時候，視線與肢體被雙雙占用，開口說話無疑是最省力的救星；可一旦場景切換到安靜的開放式辦公室，一個人對著電腦持續不斷地說話，還是顯得太詭異了。整個辦公室都一起說話，更有如大型客戶呼叫中心。
這些場景，關乎資訊頻寬與隱私邊界的制約，無論工程師把模型延遲再往下壓多少毫秒，也不能解決。
科幻片裡「對電腦說句話，一切就完成了」的預言正在被逐漸兌現。只不過，機器越是學會了如何像人一樣說話，我們反而越清楚地意識到，哪些時刻可以說話，哪些時刻還是得閉嘴。
