2025 年過(guò)了大半，幾乎可以確定，今年 AI 最熱的賽道之一，就是 AI 陪伴類(lèi)的硬件。

AI 擅長(zhǎng)情感陪伴，我們?cè)缇蛷哪切┗鸨呐惆轭?lèi) App 里領(lǐng)教過(guò)了。今年 AI 陪伴類(lèi)的硬件熱潮背后，其實(shí)更是 AI 語(yǔ)音技術(shù)的迅速成熟。

今年，你是不是也接到過(guò) AI 銷(xiāo)售的電話？從過(guò)去僵硬的機(jī)械音，AI 銷(xiāo)售的推銷(xiāo)目前已經(jīng)到了幾乎完全自然的語(yǔ)音對(duì)話。NotebookLM 火了一整年，也催生了一堆 AI 播客產(chǎn)品。AI 口語(yǔ)陪練 App 正在大把賺錢(qián)，更不用提 AI 虛擬伙伴和虛擬主播。

其實(shí)，這些具體應(yīng)用的背后，都是一個(gè)新的賽道：Voice Agent（語(yǔ)音智能體）正在快速發(fā)展的后果。從幕后到臺(tái)前，"Voice Agent" 正在開(kāi)啟大規(guī)模滲透，也因此催生了一批備受資本青睞的初創(chuàng)公司。

這一波滲透浪潮，讓人們直觀地感受到 AI 語(yǔ)音的「可用性」——它不再是遙不可及的未來(lái)技術(shù)，而是已經(jīng)能創(chuàng)造商業(yè)價(jià)值的工具。但當(dāng)行業(yè)試圖將這些 Voice Agent 從早期嘗鮮，推向大規(guī)模、高標(biāo)準(zhǔn)的商業(yè)場(chǎng)景時(shí)，問(wèn)題也迎面而來(lái)：AI 語(yǔ)音系統(tǒng)已經(jīng)到達(dá)可用的地步，然而這并不等于技術(shù)已經(jīng)穩(wěn)定好用。

想要實(shí)現(xiàn)一個(gè)好的 Voice Agent，大模型的「智商」只是底座。在交互的臨門(mén)一腳，也就是「嗓音」層面，延遲、情商（擬人度）、個(gè)性化聲音質(zhì)感、流利度，每一樣都不能或缺。行業(yè)實(shí)踐早已證明，超過(guò) 1 秒的延遲就會(huì)打斷對(duì)話節(jié)奏；而機(jī)械的播報(bào)，比如無(wú)法正確讀出網(wǎng)址、郵箱或日期，則會(huì)瞬間暴露 AI 的「非人感」，這在專(zhuān)業(yè)的 B 端場(chǎng)景中是致命的。

這些細(xì)節(jié)體驗(yàn)，每一樣都可能帶來(lái)客戶的大幅增加或流失。

Voice Agent 賽道正在爆發(fā)，但它迫切需要一個(gè)能讓對(duì)話真正「流動(dòng)起來(lái)」的底層引擎，一個(gè)能撐起下一代交互體驗(yàn)的 TTS 模型。競(jìng)爭(zhēng)的焦點(diǎn)，已經(jīng)從 LLM 的「大腦」，延伸到了 TTS 的「嗓音」。誰(shuí)掌握嗓音，誰(shuí)就掌握著下一代 AI 商業(yè)化的鑰匙。

而 10 月 30 日 MiniMax 發(fā)布的 Speech 2.6 模型，似乎正是一個(gè)專(zhuān)為解決這些痛點(diǎn)而來(lái)的答案。

01

Voice Agent：AI 時(shí)代的交互界面

那么，到底什么是 Voice Agent？

簡(jiǎn)單來(lái)說(shuō)，它是一個(gè)「能說(shuō)話的智能體」——用戶開(kāi)口說(shuō)話，它理解、回應(yīng)、執(zhí)行，一切都像在和人交談。

和文本交互相比，語(yǔ)音的優(yōu)勢(shì)是壓倒性的：它更自然，也更符合人類(lèi)本能；比文字更快，也更適合即時(shí)溝通；同時(shí)語(yǔ)音更具情感溫度，也更容易與人建立連接。

許多早期的 AI 產(chǎn)品早已證明了這一點(diǎn)。比如 AI 女友應(yīng)用 Dolores 的開(kāi)發(fā)者就發(fā)現(xiàn)，平臺(tái)上 70% 的收入都來(lái)自于語(yǔ)音的購(gòu)買(mǎi)。開(kāi)發(fā)者曾經(jīng)感嘆道：「人們真的會(huì)為那幾句逼真的『我愛(ài)你』付費(fèi)。」

而對(duì)于企業(yè)而言，Voice Agent 意味著「成本更低、速度更快、更可靠的服務(wù)」，能讓企業(yè)實(shí)現(xiàn)全天候待命：它們是 24/7 在線的銀行、保險(xiǎn)、物流 AI 客服；是汽車(chē)?yán)飵湍銓?dǎo)航和控制空調(diào)的智能助手；是醫(yī)療場(chǎng)景中幫助醫(yī)生自動(dòng)生成病例的記錄員……

語(yǔ)音本身就有天然優(yōu)勢(shì)，而 Voice Agent 的爆發(fā)，更來(lái)自底層技術(shù)的突破。

自從 2023 年開(kāi)始，TTS 技術(shù)被廣泛運(yùn)用在配音、數(shù)字分身、語(yǔ)音助手等方向，并開(kāi)始出現(xiàn)爆發(fā)式的增長(zhǎng)，可用性大幅提高。這背后是模型架構(gòu)的革新，尤其是基于 AR Transformer 等新架構(gòu)的出現(xiàn)，讓語(yǔ)音合成的自然度和表現(xiàn)力達(dá)到了新的高度。

硅谷頂級(jí)風(fēng)投 a16z 近期發(fā)文，表示 Voice Agent 正在成為「AI 時(shí)代的交互界面」和「下一代 SaaS 入口」。

一個(gè)完整的 Voice Agent 交互中，通常有這樣幾個(gè)模塊：

語(yǔ)音識(shí)別 (ASR)：首先，ASR 模塊負(fù)責(zé)「傾聽(tīng)」，將用戶的語(yǔ)音轉(zhuǎn)換成文本。

大語(yǔ)言模型 (LLM)：接著，LLM 作為「大腦」，理解這些文本的意圖，思考并生成回應(yīng)的文本。

語(yǔ)音合成 (TTS)：最后，TTS 模塊（Text-to-Speech）作為「嗓音」，將 LLM 生成的文本答案，轉(zhuǎn)換成我們能聽(tīng)到的、自然的語(yǔ)音。

如今，語(yǔ)音識(shí)別的準(zhǔn)確率已經(jīng)非常高，而大模型的差距正在縮小，真正的競(jìng)爭(zhēng)已轉(zhuǎn)向交互的「最后一公里」——那副負(fù)責(zé)「開(kāi)口說(shuō)話」的嗓音，也就是 TTS 模型。TTS 是交互的最后一環(huán)，直接決定了用戶的主觀體驗(yàn)。

一個(gè)普遍的誤解是，TTS 只要「清晰可聞」就足夠了。但在真實(shí)的商業(yè)場(chǎng)景中，這遠(yuǎn)遠(yuǎn)不夠。決定一個(gè) Voice Agent 成敗的，從來(lái)不是單純的清晰度，而是交互是否自然、可信、順暢。

語(yǔ)音交互對(duì)實(shí)時(shí)性的要求極高。保險(xiǎn)電銷(xiāo)的實(shí)測(cè)數(shù)據(jù)表明：AI 坐席必須在客戶說(shuō)完 1 秒內(nèi)接話，否則「機(jī)器感」就會(huì)瞬間出現(xiàn)。傳統(tǒng)語(yǔ)音鏈路（ASR + LLM + TTS）是串行處理，每一步都要等上一步結(jié)束，延遲常常高達(dá) 2～3 秒——在真實(shí)對(duì)話中幾乎不可接受。

如果說(shuō)低延遲是門(mén)檻，而「擬人感」則是靈魂。

一段富有情感的聲音，能瞬間建立陪伴感與黏性。C 端用戶追求沉浸與共鳴，一個(gè)機(jī)械音足以讓人出戲；B 端企業(yè)則依賴(lài)語(yǔ)氣的自然與可信，才能傳遞專(zhuān)業(yè)形象。

擬人感也包括足夠聰明——比如，AI 客服需要讀出 max-support@tech.com。一個(gè)「笨」的 TTS 會(huì)念成「max 減...」，而「聰明」的 TTS 則會(huì)讀成「max『杠』...」。這不僅考驗(yàn)?zāi)Ｐ偷恼Z(yǔ)音理解能力，也依賴(lài)于豐富的本地語(yǔ)言數(shù)據(jù)去支撐訓(xùn)練。

不同的 TTS 在表面上看起來(lái)似乎差別不大，但真正的差異藏在細(xì)節(jié)里——只有開(kāi)發(fā)者才感受得到，而用戶的留存，正是被這些細(xì)節(jié)一點(diǎn)點(diǎn)改變的。哪怕只是降低一秒延遲，用戶也可能因此留下。

02

為 Voice Agent 而生：

MiniMax Speech 2.6

什么樣的語(yǔ)音模型，才算是為 Voice Agent 而生？

在語(yǔ)音生成這條賽道上，MiniMax 一直是榜單常客——AA、Hugging Face 榜單第一已成常態(tài)。不過(guò)，近期 Minimax 發(fā)布的Speech 2.6 模型，專(zhuān)為 Voice Agent 打造，MiniMax 交出了一份更驚艷的答卷。

直接看 Demo，就能感受到變化。

在官方發(fā)布的這段模擬客服場(chǎng)景 Demo 中，Speech 2.6 模型聲音的表現(xiàn)力十分驚艷。

模型的女聲客服并非勻速的機(jī)械播報(bào)，而是充滿了細(xì)節(jié)。語(yǔ)言有時(shí)候快，有時(shí)候慢，這種語(yǔ)速的自然變化和節(jié)奏感非常接近真人對(duì)話。更關(guān)鍵的是，它甚至?xí)梢恍O其擬人的微小停頓和吸氣聲，仿佛在思考或組織語(yǔ)言，這讓「真人感」變得極強(qiáng)。那種微妙的節(jié)奏感，讓人第一次覺(jué)得 AI 的「嗓音」是有呼吸的。

而在這些「聽(tīng)起來(lái)很自然」的背后，是一組更為驚艷的數(shù)據(jù)。

首先，Speech 2.6 就對(duì)準(zhǔn)了 Voice Agent 的生死線——延遲。

MiniMax Speech 2.6 將首包（First-packet）響應(yīng)時(shí)間壓縮到了250 毫秒。

這是一個(gè)什么概念？行業(yè)實(shí)踐和一線項(xiàng)目的共識(shí)是，1 秒（1000 毫秒）是語(yǔ)音交互體驗(yàn)的絕對(duì)分水嶺。一旦延遲超過(guò) 1 秒，對(duì)話的節(jié)奏就會(huì)被徹底打斷，用戶的感知會(huì)立刻從「交談」切換為「等待機(jī)器響應(yīng)」。而 250 毫秒，意味著從 AI 的 LLM 大腦「想」完答案，到 TTS「開(kāi)口」說(shuō)出第一個(gè)字，中間的停頓幾乎符合人類(lèi)的生理感知極限。這為實(shí)現(xiàn)真正流暢、可打斷的實(shí)時(shí)對(duì)話流（Real-time Conversation Flow）提供了最關(guān)鍵的技術(shù)前提。

在語(yǔ)音賽道，MiniMax 的指標(biāo)一直與 11Labs 這樣的國(guó)際頭部玩家「有來(lái)有回」。據(jù)一些行業(yè)測(cè)試披露，雖然 11Labs 官方聲稱(chēng)其延遲可達(dá) 75 毫秒，但根據(jù)他們北美客戶的實(shí)際測(cè)試，其在真實(shí)網(wǎng)絡(luò)環(huán)境下的首包延遲也在 200 到 300 毫秒?yún)^(qū)間。從這個(gè)角度看，Speech 2.6 的 250 毫秒，是一個(gè)在真實(shí)商業(yè)環(huán)境中可穩(wěn)定復(fù)現(xiàn)的、極具競(jìng)爭(zhēng)力的低延遲數(shù)據(jù)。它解決的是 Voice Agent 場(chǎng)景下最基礎(chǔ)、也是最致命的「停頓」和「卡殼」問(wèn)題，讓對(duì)話得以真正「流動(dòng)」起來(lái)。

更令人驚喜的，在一些決定專(zhuān)業(yè)度的小細(xì)節(jié)上，Speech 2.6 做得也非常不錯(cuò)。

我們?cè)诠倬W(wǎng)的體驗(yàn)區(qū)發(fā)現(xiàn)，這次更新的 Speech 2.6 模型現(xiàn)在能正確讀出電話、郵箱、網(wǎng)址、數(shù)學(xué)公式等結(jié)構(gòu)化文本。

網(wǎng)頁(yè)鏈接

比如在這次測(cè)試中，筆者讓它讀出極客公園的網(wǎng)址，效果相當(dāng)不錯(cuò)。

它不僅按照中文習(xí)慣讀成了「點(diǎn) net」，前面的英文部分也沒(méi)有機(jī)械地一個(gè)字母一個(gè)字母拼讀，而是自然地讀成了「geek」和「park」兩個(gè)單詞——更符合語(yǔ)義，也更像人。

網(wǎng)頁(yè)鏈接

更有趣的是數(shù)學(xué)題的測(cè)試。筆者隨手從網(wǎng)上找了一道初中水平的題目講解，讓它來(lái)朗讀。

除了加號(hào)、等號(hào)、根號(hào)這些常見(jiàn)符號(hào)讀得準(zhǔn)確，最讓人意外的是，那些久違的「因?yàn)椤埂杆浴惯壿嫹?hào)，它也能正確讀出——連筆者這個(gè)早已離開(kāi)課堂多年的成年人都愣了一下：原來(lái)是這樣讀的。

更妙的是，它對(duì)「x」的處理方式。那種讀法，聽(tīng)起來(lái)就像中國(guó)人平時(shí)念「x」時(shí)的口音。當(dāng)我選了一個(gè)老奶奶的聲音來(lái)合成時(shí)，整段講解突然有了熟悉的畫(huà)面感——就像長(zhǎng)輩在耐心地給你講題。

這個(gè)功能對(duì)于 B 端開(kāi)發(fā)者來(lái)說(shuō)價(jià)值巨大。過(guò)去，當(dāng) LLM 需要播報(bào)一個(gè)郵箱或網(wǎng)址時(shí)，開(kāi)發(fā)者必須在 TTS 上游額外搭建一套繁瑣的文本預(yù)處理（Text Normalization）規(guī)則庫(kù)，用正則表達(dá)式或硬編碼，手動(dòng)「翻譯」文本，否則模型就會(huì)出錯(cuò)。

而當(dāng)模型更聰明，B 端廠商和開(kāi)發(fā)者的技術(shù)棧就被極大簡(jiǎn)化了，顯著降低了文本準(zhǔn)備的復(fù)雜度和維護(hù)成本。

在官網(wǎng)上，筆者發(fā)現(xiàn) MiniMax 還專(zhuān)門(mén)針對(duì) Voice Agent 的長(zhǎng)尾需求做了不少處理。

比如在聲音復(fù)刻技術(shù)上。在真實(shí)的商業(yè)場(chǎng)景中，企業(yè)可用的原始素材往往是「不完美」的。比如，用于復(fù)刻的錄音可能來(lái)自非母語(yǔ)人士（帶有口音），或者在錄制時(shí)有輕微的結(jié)巴、不流利的停頓。

傳統(tǒng)的聲音復(fù)刻模型只會(huì)忠實(shí)地「復(fù)刻缺陷」。這導(dǎo)致生成的語(yǔ)音雖然音色很「像」，但聽(tīng)起來(lái)「不專(zhuān)業(yè)」、「不好聽(tīng)」，在客服或電銷(xiāo)這類(lèi)需要高度專(zhuān)業(yè)形象的場(chǎng)景中根本無(wú)法使用。

Speech 2.6 新增的FluentLoRA模型，正是為了解決這個(gè)「復(fù)刻缺陷」問(wèn)題。它能夠在聲音復(fù)刻的場(chǎng)景中，即使用戶上傳的是一段不流利的素材（如結(jié)巴、口音、非母語(yǔ)），也能夠智能修正，復(fù)刻出一個(gè)流利、自然的表達(dá)。這極大拓寬了聲音復(fù)刻的可用素材范圍，讓 B 端廠商在追求個(gè)性化音色的同時(shí)，不必再為素材的「不完美」而妥協(xié)，保證了 Voice Agent 對(duì)外輸出的專(zhuān)業(yè)形象。

MiniMax 這種為 B 端落地掃清障礙的思路，不僅體現(xiàn)在「音色流暢度」這種精細(xì)的「深度」上，也體現(xiàn)在「多語(yǔ)種覆蓋」的「廣度」上。在多語(yǔ)言的支持上，Speech 2.6 此次支持四十多個(gè)語(yǔ)種，這為需要構(gòu)建全球化產(chǎn)品的 AI 出海團(tuán)隊(duì)提供了堅(jiān)實(shí)的底層支持。

MiniMax Speech 2.6 的升級(jí)路徑非常清晰：它不再滿足于做那個(gè)「指標(biāo)刷榜」的 TTS 模型，而是通過(guò)解決延遲、智能和流暢度這三大難題，真正成為開(kāi)發(fā)者最?lèi)?ài)用的，下一代 Voice Agent 場(chǎng)景中，那個(gè)最穩(wěn)定、最智能、最高效的「語(yǔ)音底層」。

03

誰(shuí)掌握聲音，

誰(shuí)就掌握下一代 AI 商業(yè)化的鑰匙

大模型的技術(shù)競(jìng)賽，顯然已經(jīng)進(jìn)入了下半場(chǎng)。

如果說(shuō)過(guò)去兩年的主題是「煉大腦」——比拼的是誰(shuí)的 LLM 更智能、參數(shù)更高、跑分更強(qiáng)——那么現(xiàn)在，人們除了關(guān)心模型的智能能力，也關(guān)注正在誰(shuí)的商業(yè)化能力更強(qiáng)。

當(dāng)Voice Agent正在成為下一代 AI 商業(yè)化的入口。在這場(chǎng)「Voice-First」浪潮中，LLM 負(fù)責(zé)「想」，TTS 負(fù)責(zé)「說(shuō)」。AI 想得再聰明，也得說(shuō)得自然，才能被人真正接受。誰(shuí)能掌握更擬人、更低延遲的語(yǔ)音能力，誰(shuí)就更有機(jī)會(huì)拿到商業(yè)化的「入場(chǎng)券」。

MiniMax 這次的 Speech 2.6 模型，讓我們看到了它研發(fā)的能力和商業(yè)化的潛力。

在「聲音」這個(gè)越來(lái)越關(guān)鍵的技術(shù)賽道上，MiniMax 早已是頭部玩家。它的技術(shù)底蘊(yùn)，來(lái)自于對(duì)底層架構(gòu)的自研——基于AR Transformer 模型的高質(zhì)量 TTS 系統(tǒng)。這種架構(gòu)選擇使其在語(yǔ)音的自然度、表現(xiàn)力和多語(yǔ)種支持上獲得了先天優(yōu)勢(shì)。

在開(kāi)發(fā)者生態(tài)上，MiniMax 的布局同樣穩(wěn)健。海外多家主流Voice Agent 基礎(chǔ)設(shè)施平臺(tái)已將其語(yǔ)音能力接入：包括曾為 ChatGPT 高級(jí)語(yǔ)音模式提供工具的LiveKit、GitHub 熱門(mén)開(kāi)源框架Pipecat，以及 YC 孵化的語(yǔ)音部署平臺(tái)Vapi。對(duì)這些底層平臺(tái)而言，接入哪個(gè) TTS API，本身就是對(duì)其性能與穩(wěn)定性的認(rèn)可。

在國(guó)內(nèi)，MiniMax 的語(yǔ)音能力也深度融入多個(gè)商業(yè)場(chǎng)景。從Rokid Glasses等 AR 設(shè)備，到榮耀、魅族等智能終端，再到AI 玩具 Bubble Pal；從超級(jí)小愛(ài)、納米 AI 搜索、Key AI、MegaView AI 助手到Fuzozo 平臺(tái)；乃至教育與垂直領(lǐng)域的聽(tīng)力熊、精準(zhǔn)學(xué)——幾乎所有語(yǔ)音交互形態(tài)，都能聽(tīng)到 MiniMax 的聲音。

一個(gè)值得思考的問(wèn)題是：一個(gè)技術(shù)指標(biāo)早已登頂、同時(shí)被海內(nèi)外「基礎(chǔ)設(shè)施」和「終端產(chǎn)品」雙重驗(yàn)證的語(yǔ)音模型，為什么還要專(zhuān)門(mén)為Voice Agent再做優(yōu)化？

答案或許是——正因?yàn)橛羞^(guò)大量落地實(shí)踐，MiniMax比別人更早、更清晰地看到了 Voice Agent 場(chǎng)景的真正痛點(diǎn)。

Speech 2.6的發(fā)布，正標(biāo)志著 MiniMax 先于其他公司的關(guān)注點(diǎn)轉(zhuǎn)變：從「聲音好聽(tīng)」，邁向「聲音能落地」。

「好聽(tīng)」是一項(xiàng)技術(shù)指標(biāo)，關(guān)乎音質(zhì)、韻律與自然度，但要真正落地，還要解決更復(fù)雜的問(wèn)題：延遲、智能與擬人。它解決的是開(kāi)發(fā)者在落地時(shí)最棘手的問(wèn)題，是 AI Agent 能否擺脫「機(jī)器感」、實(shí)現(xiàn)「專(zhuān)業(yè)度」的臨門(mén)一腳。

通過(guò)在底層引擎中內(nèi)嵌「智能化」和「流利性」，Speech 2.6 極大地釋放了上層開(kāi)發(fā)者的生產(chǎn)力。開(kāi)發(fā)者不再需要耗費(fèi)巨額成本去搭建繁瑣的文本預(yù)處理規(guī)則，也不再需要為不完美的復(fù)刻素材而苦惱。

通過(guò)提供一個(gè)更快、更聰明、更流暢、更全面的語(yǔ)音底層，MiniMax 正在為整個(gè) Voice Agent 賽道「減負(fù)」——

讓開(kāi)發(fā)者能更專(zhuān)注于 LLM 的業(yè)務(wù)邏輯與場(chǎng)景創(chuàng)新。

在大模型競(jìng)爭(zhēng)的下半場(chǎng)，誰(shuí)能為下一代交互——Voice Agent 提供最無(wú)縫、最自然、最智能的聲音交互，誰(shuí)就掌握了商業(yè)化的鑰匙。而 MiniMax 看起來(lái)，正在握緊這把鑰匙。

*頭圖來(lái)源：由AI生成

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO