Orilo纯语音助手实测：像配了个私人秘书，Siri该有的样子？
乔布斯心中的Siri，这次可能真的走进现实了。 长这样子—— 别的先不说，终于来了个审美在线的AI产品，这UI看着是真舒服…… 但大的还在后面。 这语音助手，太魔幻了。 真就跟配了个私人秘书一样，边喝咖啡配面包，边听它汇报今日值得关注的新闻。 关键是真的很有人味啊。即便你中途打断并派给它一个任务，比如「帮我回封邮件」，
乔布斯当年设想中的Siri，这回似乎真成了现实。
先看长相——
外观这块先放一边，总算有款AI产品在审美上没掉链子，这套UI看着确实顺眼……
不过好戏还在后头。
这个语音助手的体验，实在有点魔幻。
真就像身边多了个私人秘书：你喝着咖啡啃着面包，它在一旁把当天值得关注的新闻念给你听。
更关键的是它身上那股人味。哪怕你中途插话，甩给它一件事，比如「帮我回封邮件」，它也不会卡在那里一声不吭。
活脱脱就是电影《Her》里的Samantha。
说起来挺离谱，同样的事搁五年前，只能在电影院里见到。
AI圈子热闹了这么久，各家厂商每周雷打不动地瘫软一次，前沿领域也是花样不断，操控Blender、降维机器人、解决千禧难题……
可说句实话，这些玩意儿我一直没觉得有多让人兴奋。
原因很简单，离普通人太远。绝大多数人的现实生活，短时间内根本不会因为这些前沿突破起哪怕一丁点变化。
但这个产品我断断续续用了快一周，心里那些关于AI时代的浪漫幻想，忽然就有了具体的模样。
我甚至想说——
它大概是眼下最贴近科幻电影、也最合我所有浪漫想象的一款AI助手。
它叫Orilo。
尴尬的Personal Agent
Personal Agent这个概念，近来确实被捧得很高。
Muse的增速一度超过GPT，Agent从极客手里的生产力工具，一路卷进了大众消费市场。
但说句实话，大部分产品的体验，真没比年初那个「小龙虾」强到哪去。。。
别人怎样我不知道，反正我只有刚拿到邀请码那几天有点新鲜劲，还破天荒给它开了通知权限。
再往后，就没有往后了。
打字这件事本身就够折磨人。更别扭的是它的主动推送：口袋里突然一震，我以为是什么紧急微信，结果在地铁上费劲掏出手机一看，是Muse在提醒我一条八百年前就该过期的待办清单……
当时我整个人……说不出话。
所以在我看来，Personal Agent 这个市场到今天为止，拿出来的方案都还远远谈不上成熟。
大部分 Personal Agent 都栽在同一个要命的地方，我把它总结成「一低两高」。头一条是使用频率低到可怜。
订机票、退订流媒体，听着是挺酷。可这种复杂活儿，你一个月能碰上一次吗？为了这么点低频的破事，还得先跟它对齐半天，那我干嘛不自己顺手点了。
第二条是交互摩擦大得离谱。开车、洗碗、炒菜、跑步，手和眼睛都被占着，根本腾不出来。
偏偏这时候兜里一震，要你停下来掏手机、打字、跟 AI 掰扯逻辑，这现实吗？
第三条是运行成本高。后台每调一次大模型，上面这些场景都得走非常复杂的 Tool Call，每一轮 Loop 烧掉的全是真金白银。
这种成本结构搁在消费级产品上，想上规模普及，基本就是天方夜谭。
技术原教旨主义在这个行业里当家作主太久了。可做个人伴侣这类产品，光靠模型参数大、基准跑分高，是赢不了的。
下一代能活下来的 Agent，得能悄无声息、高频地长在生活里才行。
语音才是真入口
也正因如此，Orilo 这个产品最打动我的地方，是它摸出了一条特别符合直觉的新路子——
Voice-first，也就是语音优先。
我为什么说语音对 C 端产品特别重要？因为这是人最自然的交互方式。
文字是在语言诞生很久之后才被造出来的，主要用途是传递知识，日常交流里其实算不上必需品。你想想，生活中有太多时候不方便看文字：开车、做饭、带娃……
更要紧的是，人一开口说话，往往会不自觉地带出更多个人上下文（Conversational Context）。
你不会只说「帮我订一张票」，很可能是顺嘴一句「帮我订张去上海的票，下周三，上次那个酒店附近就行，对了这次预算紧一点」。这些「顺嘴」漏出来的信息，任何连接器里都翻不到，可恰恰是读懂一个人的关键。
不过光有这些还不够。
语音能覆盖的市场实在太多，对新AI产品而言，得先找准一个杀手级应用。
所以我认为Orilo第二处聪明的地方，是挑了一个很刁钻的切口——
早晨。
这是一个人一天里信息处理最密集的时段。
刚睡醒，脑子还糊着，又急着想知道外面出了什么事、今天这堆事该怎么排。
可偏偏这时候，手里正攥着牙刷或咖啡杯。
Orilo瞄准的正是这个痛点。
手完全腾出来，设备往旁边一搁，人只用开口说话就能收信息。
这中间要吩咐什么，直接再用语音向AI提要求就行。
真是泪目了家人们，总算有团队不是坐在人体工学椅上翘着二郎腿、凭空脑补用户痛点。
而且UI这块，我觉得真的被它比下去了。
终于不再是清一色的对话框加满屏工具栏了……
它的形态是一颗水滴，还跟手机的物理陀螺仪打通了：你把手机倾斜，它就像真水珠一样在屏幕上慢慢滑。
（ps：这才是C端产品该有的样子，注意登味啊老师们！！）
落到实际场景，我说三个最打动我的点——
只属于你的晨报
说白了就是新闻速递，Muse也有这功能。
但说实话，我个人用得不多，因为它基本是拿兴趣标签硬推，本质还是换皮的信息流。
Orilo把这套逻辑彻底换掉了。
它不只盯着发生了什么，还在琢磨这件事对……意味着什么。
比如你平时很关心Anthropic，但它从历史对话和长期记忆里知道，比起IPO，你其实更在意大模型生态的价值链重塑。
于是大清早播报最新融资动态时，它会顺带给出贴合你工作视角的定制解读。
完全像一位顶级行业分析师站在你床边，喝着咖啡跟你私聊。
替你死死盯住长尾信息
每天要盯的事情实在太多——一家没什么名气的创业公司、一场欧冠小组赛、一档断更很久的播客。可人的注意力就那么多，谁有工夫天天自己去搜索框里翻？
如今只需开口交代一句，它就会在后台7x24小时守在信息源旁边，稍有动静，便挑合适的时机主动来向你汇报。
整条操作链，一句话就能跑通。
当然，更大的想象空间还在于跨APP子域拿上下文的本事。
和别的Personal Agent一样，Orilo也留了连接器入口，里头装了一些常规插件。
拿邮箱来说。正听着资讯早报，你忽然记起今天的公务邮件还没处理。
“帮我看下我的邮箱。”
Orilo接上Tool Call毫不别扭，两三秒就能把要紧的内容提炼出来：
“同事A说，下周二Presentation的PPT需要你更新一下。”
主动跟踪这块它也拿得出手。比如一早孩子学校突然来了封邮件，说放学时间提前到下午三点。Orilo逮到这封邮件，会在语音早报的间隙顺口插一句：
“孩子学校今天提前放学，需要我帮你加个日历吗？”
你一边挤着牙膏，一边含含糊糊地应一声：“加上吧，提前半小时提醒我。”
搞定。
从“截获重要信息”到“跨应用把事办了”，前后也就两句话，中间不带停顿。
拿现在的竞品比一比，感受会更直接。
让Muse去翻封邮件，界面常常点了个赞就没下文了，二十多秒之后才回消息。
我看到时的反应就是？？？血压一下顶到嗓子眼。
话说回来，毕竟是初代产品，有个地方我非吐槽不可。
为啥只支持英文啊😭！！！
直到真正要用全英文聊上一轮，我才明白英语有多重要。家人们，那一刻我意识到：
自己不过是个背过几千个考研英语单词的普通人罢了o(╥﹏╥)o。
要是不能选母语，信息交流的效率真的会大打折扣。
当然，这背后也可能有中文语音模型还不够成熟的因素。
怎么让AI张嘴做事？
使用感受说完了，接下来讲讲更底层的东西。
Orilo的实时对话为什么能做到一点不卡？
说到底，眼下做语音Agent的团队，几乎都被同一个物理层面的难题卡住：深度推理和超低延迟，本身就互相冲突。
业内主要有两种做法：
一种是端到端原生音频方案：音频直接输入、直接输出。速度很快，情绪饱满又自然。可它有个致命短板——逻辑推理太弱，任务里稍带点复杂逻辑就会直接卡死。
另一种是级联架构（ASR-LLM-TTS）：先做听写，再交给大模型思考，最后合成为语音念出来。智商是够用了，但延迟往往从1.5到2秒起跳。这已经算不上对话，更像拿对讲机喊话。
人机交互中存在一条颇为残酷的心理红线：声音延迟一旦超过1.5秒，只要对方没接话，你脑中那种「在跟智慧生命沟通」的真实感就会立刻消失。
Orilo的解法，是在架构上把「交互层」和「执行层」彻底拆开，搭出一套双层网络：
前端层：挂一个超低延迟的轻量化语音模型，专门负责快速收听、捕捉情绪，任何打断和接话都能在瞬间做出反应。
后端层：挂一个慢思考、高推理能力的Agent，在幕后安静地读邮件、调接口、查日历。
这套双层思路，业界其实都在尝试，OpenAI做GPT-Live也走的是类似方向。可大家都被同一个问题拦住了：
后端满头大汗跑任务的这十几秒里，前端和用户面对面干等着，这段时间该干点什么？
我之前让GPT帮我回一封邮件，它轻快地应了一声「好的」，然后整部手机陷入了整整两分钟的沉寂。
我当时心里直犯嘀咕：哥们，你是在干活还是死机了？
这种「对话已经结束、操作还没结果」的漫长空白期，体验实在糟糕。
而Orilo靠产品层面的一些Trick，很巧妙地把这个问题化解了——
它让前端语音模型具备了「边干活边闲聊」的控场本事。
比如你让它去后台建日程，它一边调度后端执行，嘴上也没停下，顺着刚才聊到的新闻不慌不忙地往下接话。
整个交互过程没有一秒钟的冷场。就像现实中一位资深行政，一边在工位上敲键盘帮你订票，一边嘴里还跟你聊着行业八卦，两头都不耽误。
实测过程中有个细节挺有意思：每当它需要稍微想一下，就会特别自然地用「hmm……」「uh……」这类拟人化的语气词把空档填上。
听久了，那股人机感其实也挺明显。不过跟被AI「冷暴力」晾着相比，这样总归好受些。
这不是空口说白话，数据也能撑腰。
在行业测评框架Full-Duplex-Bench里，Orilo交出的成绩相当抢眼。
最出彩的一项，是它被用户打断之后重新开口的速度。
只花了1.08秒，是这次测试里最快的。对比来看，GPT Realtime要1.50秒，Gemini Live更夸张，得2.62秒。
不过实测下来我也发现，交互体验上去了，代价也跟着来了。
为了把响应速度压到极致而做的双层拼装，牺牲的是鲁棒性。
有那么好几回，它后台接口根本没调通，前端为了不让场子冷下来，竟然一本正经地跟我胡说，说「全办妥了」。
等我打开日历一瞧——空空如也😑。
但往大方向看，这条路应该没走错，剩下的只是时间问题。
百川联创创业
最后照例聊聊背后的操刀团队，同样很有看头。
创始人焦可，是百川智能的联合创始人。
去年他们做过一款叫「来福电台」的产品，不知道有没有朋友听过。
那款产品的核心是做个性化Daily Brief的AI电台，跟Orilo算是一脉相承。
当时做得就挺不错：在几十万的用户规模下，次日留存做到50%，30日留存也在10%+。
这个数字相当夸张了。
所以看得出来，他们一直在打Voice这个场景。一切其实早有伏笔。
说回Orilo本身——这个想法最初是怎么冒出来的？
「来福」那段经历帮他们验证了一个PMF，就是「早晨」这个场景。
但他们很快就往下想了一步：除了提供信息价值，AI+Voice还能干点什么？
答案就是Orilo。
正如焦可本人在访谈里所说，他们很早就想做能记忆、能回邮件的「人」了，就像《Her》里描绘的那样。
这么看，Orilo并不是突然冒出来的东西，更像一场筹备多时的路线切换。
从团队那边了解到的情况是，Orilo项目今年年初就已经立项启动。
大半年下来，各个环节陆续补齐，整块版图总算拼完整了。
One More Thing
末尾再补几句。
说句实在话，单从日常生活的感受来讲，上一代互联网产品做得确实不怎么样。
先用各种手段抢时间，把用户尽可能快地拉进自家平台；一旦人留下来，立刻换了副面孔，垃圾广告拼命往你眼前塞。
不过眼下，衡量新一代AI产品价值的尺子，好像正在悄悄换刻度。
Claude Code、Codex、Muse……这类Agent新形态一个接一个冒出来，走的路子恰好相反——
把用户被互联网产品夺走的时间，重新抢回来交还给本人。
让你能把注意力，放回身边那些人身上。
Orilo之所以选Voice-first这条路，出发点就在这里。
它压根没打算做成什么都包的超级工具入口。AI产品的使命不在这，它也不希望用户的视线一直黏在屏幕上。
有事直接开口讲，办完了它就自动进入睡眠。
可恰恰是这份克制，或许是Orilo身上最宝贵的东西。
AI一旦不再想着侵入我们的生活，反倒能成为每天早上在床头、在车里、在厨房，你乐意聊上几句的那个伙伴。
从「使用」一个App，变成「相处」一个Agent。
一种新的人机关系，已经在发芽。
2010年，乔布斯把斯坦福研究院孵化的创业公司Siri收入囊中。
Siri CEO Dag Kittlaus后来回忆，乔布斯亲自打来电话约第二天碰面，随后在Palo Alto的家中和三位创始人聊了三个小时。
乔布斯当时的想法是，把Siri直接做进iPhone里。
我要把这部手机彻底改头换面……你再也不用一直点来点去、打字了。
只是大家都知道，LLM这门技术，迟到了十多年才来。
更遗憾的是，不争气的Siri，到今天也没能赶上AI新时代这波浪。
乔布斯若还在，Siri今天会变成什么样，这个问题恐怕永远没有答案。
不过，Orilo已经登场了。
十多年前，乔帮主把种种期待寄托在Siri身上……
