7.4
深览指数
科技腾讯新闻·钛媒体APP··AI 生成
全球语音大模型，角逐方向盘后的麦克风
本文系统梳理了2025年7月前后全球实时语音AI的技术竞赛格局，核心结论是：在车载、穿戴等场景中，延迟（特别是首音延迟）是决定技术可用性的硬天花板，端到端原生架构正在逐步替代传统三级流水线。作者分析了SpaceXAI、OpenAI、Anthropic、Amazon、阿里云、Google、Meta、微软等巨头的差异化技术路线（端到端、轮次制、混合路由、开源），并指出拥有硬件终端的公司（特斯拉、Amazon、Meta、百度等）在入口争夺中具备结构性优势，而纯API模型公司若不能进入硬件领域将处于被动。文章还详述了国内“七雄”（阿里、字节、MiniMax、讯飞、百度、智谱、腾讯）的竞争格局，强调车企是首要客户画像。适合关注AI产业、智能汽车、消费电子投资与产品决策的深度读者阅读。原文 ↗
核心观点
- ▍在实时语音交互中，延迟（特别是首音延迟）是决定技术可用性的物理天花板，端到端原生架构将逐步替代传统三级流水线，但不同场景（如车载 vs 深度推理）将对应不同的技术路线（端到端、轮次制、混合路由）生态位共存。
- ▍拥有自有硬件终端（特斯拉、Amazon、Meta、百度等）的公司，在语音入口争夺中具备结构性优势，能通过生态反哺和用户锁定效应将语音API作为非独立盈利的组件；纯API模型公司若不能进入硬件领域，将在下一阶段处于被动。
- 01SpaceXAI的Grok Voice Think Fast 2.0首音延迟压至0.70秒，采用原生端到端架构（自研VAD、音频分词器、端到端模型），推理token减少60%，能在用户说完第一句话前开始执行工具调用。
- 02阿里云Qwen Audio 3.0 Realtime Plus以99.2%刷新Big Bench Audio纪录，但在延迟上付出代价：平均首音延迟4.02秒，是Grok的5.7倍，在车载/穿戴场景中不可用。
- 03Anthropic选择轮次制（listen→think→speak）而非全双工，牺牲实时流畅度换取推理深度和工具准确性，在需要深思熟虑的场景（如演练客户提案、推敲逻辑漏洞）中优于全双工方案。
- 04特斯拉通过“Hey Grok”免唤醒词将语音控制扩展到导航、打电话、放音乐、调空调、开手套箱等，是目前全球最大规模的实时语音Agent生产部署，每段对话既是A/B测试也是训练数据。
- 05Grok TTS定价比ElevenLabs低90%，Grok STT流式定价0.20美元/小时，不到Deepgram的几十分之一；这种成本价倾销策略只有在马斯克手中同时掌握特斯拉（终端）、Starlink（网络）和X（数据与分发）时才有商业合理性。
- 06国内市场呈现“七雄”格局：字节Seeduplex已在700万辆量产车上落地；MiniMax以250毫秒以下延迟服务全球平台；科大讯飞在语音语义市场份额15.6%位居第一；百度端到端模型响应延迟412毫秒，地图AI副驾五一服务突破2亿人次。
- 07Meta以Apache 2.0协议开源Llama-Voice（7B参数TTS模型），上线48小时下载量突破80万，结合Ray-Ban Meta Gen 2硬件终端，拥有从开源模型到消费硬件的完整通路。
反方 / 局限
- — 作者承认Anthropic和亚马逊的路线提示了“速度不是唯一标准”：在需要深度推理和可靠执行的场景中，“慢而靠谱”比“快而飘乎”更有价值，终点可能不是某一条路线的全面胜利，而是不同技术路线各自占据不同场景的生态位。
- — 文章提到端侧推理（如Liquid AI与奔驰合作、Llama-Voice在消费级GPU运行）是一个正在浮现的变量，待高通、苹果和车企定制芯片迭代完成后，云端语音API的商业模式可能面临根本性挑战。
- — OpenAI的token计费模式在长对话场景下成本膨胀，实际部署成本波动区间0.05至0.15美元/分钟，用户每一轮追问都在悄悄抬高账单，这是其语音模型商业化绕不开的难题。
SpaceXAI (原xAI)特斯拉Grok Voice Think Fast 2.0首音延迟 (TTFA)端到端语音模型Qwen Audio 3.0 Realtime Plus阿里云AnthropicClaude Voice亚马逊Alexa+MetaLlama-Voice字节跳动SeeduplexMiniMax科大讯飞百度智谱AI腾讯混元Azure微软Liquid AI梅赛德斯-奔驰Ray-Ban Meta Gen 2Big Bench AudioArtificial AnalysisVapi Humanness Index全球车载语音助手市场智能座舱市场
17 分钟 · 5 卡片 · 13 资料
读原文 →