推特创始人推“不识字”AI：语音直达语音，能否走出新路？

训练细节没公开，模型规模也没披露，外界很难判断这条路线的天花板在哪。但方向已经清楚：从语音直接到语音，这条被文本大模型压了许久的「非主流」路径，正被它指出来。

先会说话，再会接电话

Dessa 像是在实验室里琢磨语音的本质，同一时期另一条务实路线则加速进入日常工作流。xAI 几乎同时推出 Grok Voice 3.0，同样主打实时端到端语音交互（speech-to-speech）。

Dessa 那种「完全不碰文字」的洁癖式训练，和 Grok 这类主流商业模型不同，后者更在意把大模型的文本推理底子跟原生语音能力接起来，让声音真能派上用场。特斯拉车主就是例子：直接在车机上跟 Grok 对话，不用另外掏手机、点开 app。

这批主流语音模型往前跑的方向，其实都盯着一个极微妙的时间点：半秒钟。

在键盘上多等半秒，交流的性质几乎不变；电话里沉默半秒，对话就可能彻底走向另一头。所以哪怕 AI 答案无懈可击，只要它死板地等人说完才接茬、在不该笑的地方发笑、被打断后还固执念完原稿，用户立刻出戏。Grok Voice 3.0 的评测里，半秒就是优化目标。

毫秒级的差别，落到商业应用上很直接。车载空间和客服热线，是语音 AI 目前最能施展的两个场景。xAI 披露的内部运营数据显示，这套系统每天除了应付大量特斯拉车内对话，还接 Starlink 每天约 2 万通客服来电，其中约七成问题不用转人工就能办结。

光快还不够。通话里夹着口音、背景噪音和频繁打断，模型得听清诉求；后台还得检索资料、调用工具、处理故障，最后礼貌挂断。这一串动作要丝滑走完，再加上自然的声音，才算真正「上岗」。

10 月中旬，OpenAI 更新语音模型 GPT-Live：ChatGPT 客户端里多语言口音的自然度有所改善，面向开发者的 API 一次性新增九款音色，包括日韩口音英语，还支持用文字描述直接定制声音。

AI 的声音，装着人对未来的想象

人类想象用语音实现控制，由来已久。1982 年的《银翼杀手》里，主角 Deckard 就对着图像分析仪一声声下口令，让画面平移、放大，直到锁定藏起来的线索。

到了《Her》，操作系统 Samantha 又往前走了一步：从执行指令的机器，变成随时陪在身边的灵魂伴侣。日常任务全包，声线还极灵动，男主才能跟它生出感情。

再前沿的机器，也得有声音。《流浪地球》里的 MOSS 台词不多，只出过寥寥几声，却是片中「人工智能」的代表，映着整体的科技水平。

现实里的技术演进，也确实把原先的想象兑现了。早年的手机语音助手只会处理设闹钟、查天气这类固定句式；智能音箱进了客厅，最常干的也不过是放音乐、倒计时。大语言模型跟语音 Agent 结合之后，机器才算真听懂自由散漫的口语，开始帮用户收发短信、预约餐厅，听着开发者的口头描述去调用编程工具改代码。

可就算语音 AI 能处理远比「把灯打开」复杂的任务，屏幕在我们面前仍有一席之地。敲键盘、点鼠标，眼下还动摇不了。

问题不在模型不够聪明，而在声音作为信息媒介的物理属性。

声音是线性的。调度 AI 时，它特别适合表达一个模糊的意图，比如编程中的想法，比如指挥 Agent 安排任务。

Claude Code 的语音模式

但到了工作生产场景，它不擅长让人同时审阅多个并列选项。写文章，要一目了然看到段落结构、随时回溯修改；写代码，得盯着屏幕比对差异和运行结果。哪怕只是订张机票，把几个航班的价格、起降时段、退改签规则同时铺在屏幕上扫一眼，也比听语音助手逐条念高效得多。

AI 替人代劳的权限越大，人越需要一块可视化界面，去核实它到底干了什么，在出错之前及时停下、回撤。

物理环境和社交礼仪也在暗中划边界。开车、做饭、双手抱着孩子时，视线和肢体都被占住，开口说话最省力；场景一换到安静的开放式办公室，一个人对着电脑不停说话，还是太诡异。整个办公室一起说，更像大型客户呼叫中心。

说到底，卡住这些场景的是信息带宽和隐私边界，工程师把模型延迟再压掉多少毫秒，也绕不过去。

科幻片里那句「对电脑说句话，一切就完成了」的预言，正一点点变成现实。可机器越会像人一样开口，我们反倒越明白：哪些时候能说，哪些时候还是得把嘴闭上。