定義下一代人機(jī)交互范式？Open AI首發(fā)的語音Agent有何深意？
數(shù)據(jù)猿 | 2025-03-26 16:47
【數(shù)據(jù)猿導(dǎo)讀】 3月21日凌晨1點(diǎn)，OpenAI進(jìn)行了技術(shù)直播，并發(fā)布了三款全新語音模型，專用于開發(fā)語音AI Agent。
3月21日凌晨1點(diǎn)，OpenAI進(jìn)行了技術(shù)直播，并發(fā)布了三款全新語音模型，專用于開發(fā)語音AI Agent。
其中兩個是語音轉(zhuǎn)文本模型GPT-40 Transcribe和GPT-4 Mini Transcribe；一個是文本轉(zhuǎn)語音模型GPT-40 Mini TTS。OpenAI還特意開發(fā)了一個新網(wǎng)站來展示新功能。
令業(yè)界興奮的是，OpenAI宣稱開發(fā)者可以控制GPT-4O Mini TTS模型的語音情緒和風(fēng)格，包括興奮、溫柔、鼓勵、嚴(yán)肅、憤怒等，“情緒”的引入或許是未來搭建不同業(yè)務(wù)場景的智能體的重要突破元素。
興奮還是失望？OpenAI首發(fā)的語音Agent究竟效果如何？
OpenAI此次三款全新語音模型一經(jīng)發(fā)布便引起國內(nèi)外行業(yè)媒體與人工智能愛好者的廣泛測評。
國內(nèi)外不少業(yè)內(nèi)人士對OpenAI本次發(fā)布表示失望，稱OpenAI僅僅是在Meta前搶先首發(fā)了語音助手中情緒判斷和生成的概念，而在實(shí)際的生成效果中則遠(yuǎn)未到達(dá)預(yù)期。
仔細(xì)分析下，本次OpenAI發(fā)布中將“情緒”加入語音交互的升級點(diǎn)令人興奮，然而我們通過實(shí)際測評，則發(fā)現(xiàn)其實(shí)際效果甚至與國內(nèi)已有語音Agent能力相差甚遠(yuǎn)。
我們關(guān)注到，北京聲智科技有限公司早在智能音箱時代便開始探索人機(jī)交互，率先解決了智能音箱時代人機(jī)交互中的遠(yuǎn)場語音交互等技術(shù)難題，而在AI硬件時代，該公司也在著力布局人機(jī)交互語音Agent的開發(fā)和落地。
我們分別用 GPT-4O-Mini-tts和聲智APP已有的語音Agent別生成兩段了音頻，對比后發(fā)現(xiàn)，雖然gpt-4o-mini-tts在努力靠近設(shè)定風(fēng)格，但仍舊在情緒表達(dá)上仍然十分生硬，人機(jī)感嚴(yán)重，尤其在中文表達(dá)上的效果更差，對比看來，國內(nèi)的聲智科技在中文交互中明顯表現(xiàn)得更為自然。
據(jù)相關(guān)消息，聲智科技將打造全球首個原生自由人機(jī)交互Voice Agent，并將在賦能AI硬件、AI應(yīng)用服務(wù)等方面表現(xiàn)出更為強(qiáng)勁的實(shí)力。
布局語音Agent，OpenAI此舉意欲何為？
盡管OpenAI引入了情緒化語音的創(chuàng)新，但目前的情感表達(dá)依舊顯得生硬。但仍舊向業(yè)界傳達(dá)了一個重要的信號。因此，未來的AI將更注重情感層次感與語音靈活度，提升對話的自然性和用戶的親和力。AI將能夠察覺用戶的情緒波動，并通過調(diào)整語氣、語速或話題切換來安撫或激勵用戶。
對AI語音交互的重視，OpenAI并非個例。
早在本月初，Meta首席產(chǎn)品官Chris Cox在摩根士丹利技術(shù)、媒體和電信會議上透露Meta將于第二季度發(fā)布全新的Llama4模型，并致力于使用戶與其語音模型之間的對話更接近雙向自然對話，允許用戶打斷，而不是采用更僵化的問答形式。
相比OpenAI而言，Meta有關(guān)Llama4模型升級方向的深意不辯自明：將語音交互而非文本交互作為重要入口，直接賦能Meta的Ray-Ban 智能眼鏡，允許用戶通過語音命令與 AI 助手互動，也是Ray-Ban的一大特色。早有知情者透露，該公司押注未來的所謂 AI Agent將是對話式而非文本主導(dǎo)的。
OpenAI與Meta在2025年這個AI硬件與Agent的風(fēng)口之年共同關(guān)注語音交互的舉措令人深思：相比文本交互，語音交互將率先成為主導(dǎo)人機(jī)交互和具身智能發(fā)展的新范式，人們對人機(jī)交互如何實(shí)現(xiàn)真正的擬人化仍在不斷探索中。
Omni Agent標(biāo)準(zhǔn)究竟如何定義？由誰定義？
從上文的分析可以看出，將“情緒”引入語音交互的必要性不辯自明，但需要跳出“語音”（即voice-powered Agent）本身，在聲學(xué)領(lǐng)域，探尋聲音分類、聲紋識別、情緒識別的更大可能性。
1、 對聲學(xué)和硬件入口的探索
未來的語音Agent將不僅依賴語音，還需要通過分析聲音的頻譜、音調(diào)變化、反射回聲、環(huán)境噪聲等因素，獲取更多的情境信息。這些聲音背后的數(shù)據(jù)將為AI的決策提供更加準(zhǔn)確的反饋，幫助AI實(shí)現(xiàn)情感表達(dá)的精準(zhǔn)控制。
2、情感與環(huán)境的增強(qiáng)感知
未來對話式交互的入口并非“voice”，而是“sound”，在人類的語音語言外，原始的聲音環(huán)境能傳達(dá)更多輔助AI進(jìn)行判斷和反饋的內(nèi)容，而對此類聲音信息的收集、分析、處理能力也將成為使AI具備像人一樣傳遞情緒并進(jìn)行自然對話的基礎(chǔ)。AI可以根據(jù)用戶的情緒波動靈活調(diào)整對話內(nèi)容與語氣，使對話更具連貫性和自然感。例如，在家庭場景中AI語氣更溫暖，在工作場景中則顯得更冷靜。
3、從Voice Agent到 Omni Agent
未來的語音Agent不止于“聲音”，而應(yīng)關(guān)注跨越多種感官反饋，如視覺、觸覺甚至氣味。AI可以通過手勢、眼動等方式與用戶互動，實(shí)現(xiàn)全感官的綜合體驗(yàn)。這將大大提升語音交互的沉浸感，使AI不僅能“聽懂”語言，還能通過視覺和觸覺反饋提供更加豐富的互動。
4、AI與人類共情的未來展望
AI情感化交互的最終目標(biāo)是實(shí)現(xiàn)“共情”，讓AI不僅能理解用戶的指令，還能理解用戶的情感狀態(tài)，給予關(guān)懷的回應(yīng)。通過這種方式，AI將真正成為用戶的“情感伙伴”，提高長時間交互的質(zhì)量和親密感。
OpenAI的發(fā)布揭示了語音Agent的技術(shù)趨勢，但其封閉性與場景局限為行業(yè)留下了突破空間。重視聲學(xué)在人機(jī)交互領(lǐng)域的入口級地位，并將其與優(yōu)質(zhì)的大模型能力相結(jié)合，從語音Agent到Omni Agent將在多個層面帶來全新的突破，成為人類與智能體之間更加自然、深入的溝通橋梁。
參考Deepseek的技術(shù)路線優(yōu)勢和其在海內(nèi)外的爆火，作為全球最多人口使用的語種，中文在對話式語音數(shù)據(jù)資源儲備方面具備顯著優(yōu)勢，為模型訓(xùn)練和算法優(yōu)化提供了堅(jiān)實(shí)基礎(chǔ)。國內(nèi)聚焦于該方向持續(xù)深耕的企業(yè)很有可能在聲學(xué)、語音方向有超越美國的突破。
來源：數(shù)據(jù)猿
