传统IVR（交互式语音应答）的槽点集中在菜单层级过深、转人工路径隐蔽。研究显示，80%的来电集中在20%的问题上，但大量IVR把高频选项埋在三层菜单之后，导致用户满意度直降。优化方向是「倒金字塔」结构：将查账单、改地址等高频需求设为首层快捷入口，每层不超过5个选项、层级不超过3层。Rime CEO说AI语音体验还不如IVR，真正的对手不是IVR本身，而是那些设计糟糕的IVR给用户留下的心理阴影。

央视、法治日报等媒体实测发现，当前AI客服在理解复杂需求、转接人工方面问题严重：有消费者转接4次才接通人工，AI将「退钱」「退款」等口语表达识别错误。用户形容AI客服是「会说话的墙」。Rime CEO承认技术还没到位，但现实中企业已大规模用AI客服替代人工，成本优先于体验，导致用户对AI语音的信任度持续走低。2026年美国民调显示，76%的人不信任AI，但70%的人仍在天天用——这种「不信但用」的悖论，才是语音AI商业化最真实的底色。

Rime正在从STT+TTS+LLM的多模型管线转向端到端语音模型，百度已在2025年发布基于Cross-Attention的端到端模型，将电话语音调用成本降低50%-90%。端到端路线的核心价值在于消除管线中冗余的文本中间表示，直接把语音语义压缩进一个模型，大幅降低延迟。「听懂、接话、不抢话」的体验改善，才是AI语音超越传统IVR的关键一战。百度的低成本模型已部署在L20卡上，推理成本逼近「可规模化」的临界点。

Rime自建录音棚收集对话数据训练模型，用「合法采声」避开侵权雷区。但行业里大量AI语音公司直接从网络爬取音频，未经授权使用配音演员的声音进行训练，已引发侵权诉讼——2024年北京互联网法院审结全国首例AI声音侵权案，被告被判赔偿25万元。民法典第1023条明确自然人声音权益参照肖像权保护，声纹也被纳入敏感个人信息。问题在于：企业采集用户通话录音训练模型时，用户真能「知情同意」吗？