语音 AI 替代不了屏幕，不是因为模型不够聪明

Block 旗下研究团队 Dessa 的训练方式在语音 AI 领域显得另类：完全剔除文字，让模型直接从声音本身学习对话。按照 Block 团队的说法，这样训练出来的模型能边听边说、自然插话、随时给出「嗯」「是的」这类附和，甚至能在一台配备 M4 Max 芯片的 MacBook Pro 上本地运行。Dessa 背后的逻辑是 Jack Dorsey 的一个直觉——既然人类婴儿在识字之前就已经学会了说话，机器为什么不能走同样的路？不过，受限于尚未公开的训练细节与模型规模，外界还难以评估这套技术路线的上限。

与此同时，主流商业语音模型走的是另一条路。xAI 的 Grok Voice 3.0 主打实时端到端语音交互，但底层仍依赖大模型的文本推理能力；OpenAI 的 GPT-Live 则在 ChatGPT 客户端改善多语言口音自然度，并在 API 中新增九款音色。这批模型的共同优化方向围绕一个极其微妙的时间展开：半秒钟。在键盘上打字时多等半秒几乎不会改变交流性质，但在电话里半秒钟的沉默就足以让对话走向另一个极端。

xAI 披露的内部运营数据显示，这套语音系统除了每天应付海量的特斯拉车内对话外，还承担了 Starlink 约两万通客服来电，其中约七成问题无需转接人工即可办结。车载空间和客服热线，构成了语音 AI 目前最能发挥的应用场景。

然而，即便语音模型已经能处理远比「把灯打开」复杂的任务——帮用户收发短信、预约餐厅、听着开发者的口头描述调用编程工具修改代码——屏幕始终有一席之地。敲键盘和点鼠标，现在还不能被语音动摇。

这并非因为模型还不够聪明，而是受制于声音作为信息媒介的物理属性。声音是线性的，它尤其适合用来表达一个模糊的意图，比如编程中的想法，比如指挥 Agent 安排任务。但在工作生产场景中，它并不擅长让人同时审阅多个并列的选项。写文章时需要一目了然地看到段落结构并随时回溯修改；写代码时必须盯着屏幕比对代码差异与运行结果；哪怕只是订一张机票，把几个航班的价格、起降时段和退改签规则同时铺在屏幕上扫一眼，也远比听语音助手逐条念出来要高效得多。

AI 替人代劳的权限越大，人类往往越需要一块可视化的界面，去核实它到底干了什么，并且在出错之前就及时停下和回撤。这是一个与模型能力无关的结构性需求：监督需要并行信息，而声音只能串行。

物理环境与社交礼仪同样在暗中划定语音的边界。在开车、做饭或双手抱着孩子的时候，视线与肢体被双双占用，开口说话无疑是最省力的救星；可一旦场景切换到安静的开放式办公室，一个人对着电脑持续不断地说话，还是显得太诡异了。这些约束关乎信息带宽与隐私边界，无论工程师把模型延迟再往下压多少毫秒，也不能解决。

Dessa 的「不认字」路线和 Grok 的「半秒延迟」优化，分别代表了语音 AI 在训练哲学和工程落地上的不同探索。它们都在推进语音交互的能力上限，但都没有改变一个基本事实：声音的线性本质决定了它在高带宽、多选项、需要并行审阅的工作场景中，仍然只是屏幕的补充而非替代。机器越是学会了如何像人一样说话，我们反而越清楚地意识到，哪些时刻可以说话，哪些时刻还是得闭嘴。