Salesforce AI Research介绍语音模型Launa-Omni：用混合架构保留企业场景的文本可审计性

语音AI进入工作场景时，一个容易被忽略的约束是：回复必须可被检查。Salesforce AI Research在Launa-Omni的技术说明中把这一点作为架构选择的出发点——模型在生成语音之前先产出文本回复，团队可以在回复形成时查看并纠正，而不是等到语音播出后才发现错误。

这个选择背后是对两种主流方案的权衡。级联系统把语音识别、语言理解和语音生成分成独立模块顺序处理，文本在中间环节可见，但节奏、犹豫和重音在第一次转写时就已经丢失。端到端语音模型让交互更流畅自然，代价是回复形成过程不透明，错误更难定位和修正。Launa-Omni走了一条混合路线：核心是一个改造后的文本模型，语音和语言共享同一潜在空间；模型输出文本后，再由一个内部训练的语音合成模块将文本转为语音。

Salesforce AI Research称该模型显著小于其他领先语音模型，并在三个基准上给出自报结果：Audio MultiChallenge三次运行平均59.69%，接近公开最高分60.40%；VoiceBench得分90.60%；τ³-Voice在零售、航空和电信客服任务上达到72.9%宏平均。这些均为厂商自测，尚无独立复现。模型已在Slack的语音听写功能中以简化版本上线。

需要留意的是，'可审计性优先于自然度'这一取舍并非在所有企业语音场景中都成立。面向客户的销售外呼可能更看重对话流畅度，而非内部团队对每条回复的逐字检查。Salesforce的论证适用于对话结果需要进入CRM记录、工作流或决策的内部协作场景，其边界由产品定位决定。