AI时代语音输入崛起，如何调和语音交互成本差异成竞争关键？

【AI破屏而出，「AI器物志」开启观察】

智能手机统治了过去十几年的数字生态，它是注意力的黑洞，是最私密的随身之物。但手机设计逻辑止于屏幕，而AI需要持续感知物理世界。当AI成为基础能力，它迟早要从屏幕里破壳而出，这是一个漫长的探索和演化过程。「AI器物志」栏目由此而来，爱范儿将和大家一起持续观察AI如何改变硬件设计、重塑人机交互以及以怎样的形态进入日常生活。这是「AI器物志」的第19篇文章。

【AI定位转变，语音输入需求催生产品】

过去两年，AI定位从少数人的专业工具转变成日常生活的基础能力，人们习惯随时随地向AI发出指令。不过，以PC时代键鼠交互为主的人机交互方式逐渐暴露出短板，「手动打字」需组织思绪、保持逻辑才能让AI理解。而手机时代的「语音输入」几乎没有这样的桎梏，它允许人们一边输出一边思考，更接近思维原本发生的方式，且不需要稳定桌面环境、持续低头和优秀文字表达能力，对普通人来说更接近「真正的自然交互」。这种广泛需求催生出一批围绕语音入口展开的产品，如Plaud将录音、转写和总结包装成完整工作流；Typeless删除语气词、进行格式清洗后「帮你成文」；光帆Lightwear等可穿戴设备试图整合出全场景的完整AI使用流。

【语音交互方案多样，各有优劣】

门槛最低的语音交互方案是一副TWS耳机加手机上的AI，能组成24小时在线的虚拟副手。耳机和手机系统、第三方app有现成的语音转写等功能，不需要专用硬件就能传达命令给AI模型，且速度、兼容性和跨设备能力优于大多数专用AI硬件。然而，其瓶颈在于麦克风对环境人声的处理，如AirPods在多人环境会采集周围声音，而国产品牌TWS耳机采用更激进的人声隔离策略，提高了电话和AI语音的准确率。这意味着在AI成为主流使用场景时，耳机好坏的评价标准正在改变，耳机麦克风正从通话配件变成AI控制器。

语音指挥的第二条路线是智能眼镜。唯一成功的智能眼镜是以语音、拍照和开放式音频为核心的基础款，因为眼镜显示系统会牺牲重量、续航和成本，还需培养全新用户习惯，而「看见什么问什么，AI讲给你听」已足够构成AI卖点。但智能眼镜存在问题，其「无感」多存在于宣传片里，会制造社交压力，且麦克风阵列、通话降噪和扬声器效果不一定比TWS耳机好，还与品牌客户端和云端模型深度绑定，用户缺乏自由度，如Meta Ray - Ban智能眼镜强制连接Meta AI，不能唤醒其他智能助手，很难成为主流产品。

第三条路线是为语音输入AI制造独立硬件入口。如OpenAI与Work Louder联名的Codex Micro，设置了用于语音输入的push - to - talk（PTT）按键，这象征着语音输入开始获得稳定物理位置，承认了其高频属性。PTT/TNT更进一步设想是摆脱屏幕，OpenAI正在规划无屏便携设备，若如此，无异于承认了Humane AI Pin的道路，且OpenAI的徽章可能更实用。

【无声语音交互探索，方向逐渐清晰】

面对AI语音交互的尴尬和识别失真问题，研究者有了奇思妙想。如「超声波舌部动作识别」设备通过探头读取舌头运动解码为语言；一些研究尝试把传感器装进眼镜或头显，通过面部细微运动识别无声指令，苹果收购的Q.ai就是研究这个方向。这些装置虽距消费级产品远，存在识别范围、准确率和佩戴体验等限制，但方向清晰，未来语音交互可能演化为对人类发声动作等的直接识别。

【语音输入优势与成本问题】

语音输入在AI时代获得超越键盘的声望，是因为人类不擅长用视觉信号发送信息，发出声音传递信息效率更高。用语音指挥AI虽看似低效，但消弭了AI的工具感，更接近人类本源的协作方式。然而，「语音交互」便利的隐性成本在上升。传统STT工具只转换声音为文字，而Typeless等「文本清洗」工具额外调用模型整理改写口语，叠加了token消耗。多模态模型进入「原生音频」阶段后，token消耗量是纯文本的10倍或更高，虽与高清图片和视频处理相比成本不算离谱，但在长时间实时对话中，用户难控制信息长度，导致AI语音交互越自然，计算过程越复杂，消费成本越高。这几乎成为AI厂商的「阳谋」，未来AI业务竞争关键在于谁能以更低延迟、更少冗算和更透明的计费，调和不同模态业务的成本差异，让人们愿意一直和AI对话。