每個科技時代，都有每個時代的“入口”和“推手”。

在PC時代，瀏覽器和搜索引擎是主要入口，用戶通過鍵盤和鼠標進行交互。移動互聯時代，APP和應用商店成為典型入口，用戶用手指和觸摸屏進入互聯網世界。而在眼下的AI時代，業內已經把語音交互當做重要入口，它提供了一種更為豐富、自然和便捷的交互體驗。

縱觀歷史，每一個抓住入口、推動時代發展的企業，反過來也能掌握競爭主動權，獲得長期發展動力。比如，PC時代的谷歌，移動互聯時代的蘋果等等。

因此，如今很多大廠都在圍繞語音交互展開深度布局，力圖搶占AI時代的戰略要地。其中，就國外和國內而言，OpenAI和科大訊飛成為最受關注的兩家企業。

今年5月，OpenAI 發布GPT-4o，展現出更為強勁的語音交互能力。比如，更快的響應速度、更自然的語音等等。但遺憾的是，GPT-4o目前還沒有向國內用戶開放，大部分人無法親自感受各種體驗。

很多人不知道的是，國內的科大訊飛不僅做到了對標GPT-4o的語音交互體驗，而且還能讓人搶先體驗。

今年8月19日，科大訊飛發布了星火極速超擬人交互技術，在響應和打斷速度、情緒感知情感共鳴、語音可控表達、人設扮演四個方面實現巨大突破。這項技術將于今年8月底在訊飛星火App上全民開放使用，普通用戶也能親自感知。

在最近的科大訊飛2024年上半年業績說明會上，《一點財經》觀察到科大訊飛董秘江濤親自演示星火極速超擬人交互技術，由此更直觀地看到了這項技術的操作體驗。

不得不說，科大訊飛雖然在研發上大力投入，但在宣傳上的力度著實不夠。其實，這項技術能對行業變革產生深度影響。與此同時，科大訊也在積攢技術勢能，未來預計會釋放出強勁的發展動能。

語音交互的“理想”與“現實”

2014年，一部講述人類與AI愛情的電影《Her》收獲了超高人氣，還獲得了奧斯卡最佳原創劇本獎。

電影中，男主角西奧多的工作是給不善表達感情的人代寫情書。他有語音操控的隨身設備，能夠直接用語音輸入信件內容、進行打印等等。日常生活中，他還能通過語音收聽歌曲、接收郵件和新聞。

讓很多觀眾浮想聯翩的是，西奧多遇到了一個AI機器人“薩曼莎”，她擁有溫情的聲線，不僅非常體貼還很懂西奧多。在跟“薩曼莎”的長期語音交流中，西奧多墜入愛河，開始了一段“人機戀”。

十年以來，這部電影里的科幻場景不斷照進現實，各種語音交互產品和技術持續迭代，豐富著用戶的語音交互體驗。

不過，很多用戶還是感覺跟想象中的體驗有落差。因為市面上語音交互技術普遍存在痛點，包括響應遲鈍、難以共情、個性化不足、端點檢測困難等問題。

簡而言之，現在許多語音交互技術機器的味道還是太重，擬人的感覺不足，沒能提供足夠的情緒價值。這一方面導致用戶體驗不佳，另一方面阻礙了行業發展，需要有企業來破除痛點，充當行業發展的推手。

目前來看，科大訊飛就是一個重要的推手。其推出的星火極速超擬人交互技術在四個方面極大提升了用戶體驗——“響應和打斷速度、情緒感知情感共鳴、語音可控表達、人設扮演”，總結下來就是：

不僅在響應上有速度，而且在情感上有溫度，能夠提供更多的情緒價值。

1、響應上的速度

用戶進行語音交互的過程中，都想獲得更快的響應，達到“召之即來”的效果。并且在中途頻繁打斷的情況下，希望能夠迅速重新響應。

然而，目前主流的語音交互應用中，從用戶提出問題到應用響應大多需要2-2.5秒，會明顯感覺到停頓，中途打斷后響應的時間更長，這就會影響用戶的交互節奏和智能體驗。

而星火極速超擬人交互技術帶給人的首個感受就是“快”，其讓響應時間縮短到了0.9秒，幾乎感覺不到停頓。另外，用戶還可以隨時打斷、插話，它依然能做到迅速響應。

這意味著，通過星火極速超擬人交互技術，用戶可以獲得更加貼近日常對話的現實體驗。

2、情感上的溫度

在語音交互過程中，如果能夠及時響應，但回應的卻是冷冰冰的話語，用戶的交互欲望和熱情必然會降低，因為沒有人愿意面對一個沒有溫度的機器。

傳統指令型語音技術，只能通過對某些特定發音的識別給出響應，情緒感知能力不足，而星火極速超擬人交互技術進行了明顯的提升。其不僅能夠根據語音判斷用戶情緒，包括高興、悲傷、生氣、害怕等等，還能識別咳嗽、寵物叫聲等非語言信號，跟用戶之間產生更深層次的情感共鳴。

如果只能分別情緒，不能情緒化地回應，用戶的感知度也不會很明顯。星火極速超擬人交互技術在表達方式上更加靈活，可以根據用戶的指令控制數十種情感、風格、方言，甚至自動調節語速、語氣和情緒，讓對話更有溫度從而直入人心。

另外，星火極速超擬人交互還有一個優勢就是能夠“選角色”，其支持多種人設的任意切換，用戶可以與孫悟空、蠟筆小新、小豬佩奇等角色進行互動，感受到跟不同角色對話的樂趣。

可以說，以往的語音交互技術體驗起來更像機器，而星火極速超擬人交互更像人類，大大提升了用戶體驗。這種進化背后，在于科大訊飛進行了長期的技術研發和積累。

語音交互進化史：技術才是硬道理

語音交互進化史，就是一部技術迭代史。

最早的語音交互技術，可以追溯到上世紀60年代。當時的語音交互技術主要基于規則，也就是將語音按照語法等規則進行分析和生成，然后根據設定好的語句進行回應。

這種方法的智能度和靈活度都很低，只能進行某些特定任務，比如查詢天氣、訂票等，稍微復雜一些的指令就無法操作。

上世紀90年代，語音交互技術進入新的階段，也就是基于統計模型。這種方法不再依賴于固定規則，而是利用概率論建立交互模型，根據上下文生成最合適的回應。這種方法相對可以處理更多指令，也能適應不同的場景需求。

2006年，隨著深度學習技術興起，語音交互技術有了質的飛躍，可以自動學習語音信號的復雜特征，從而進入DNN（深度神經網絡）時代。比如，RNN（循環神經網絡）是一種能夠處理序列數據的神經網絡。它具有長期記憶能力，可以用于處理連續的語音特征，從而提高識別準確率。

此后，語音交互技術在持續進化，比如CNN（卷積神經網絡）、DFCNN（深度全序列卷積神經網絡）等等，用戶體驗也在持續升級。在技術進化浪潮中，科大訊飛一直站在潮頭浪尖。

早在2012年，科大訊飛就將BN-feature和NDD-HMM兩套深度學習方案上線了訊飛輸入法和語音開放平臺，由此成為國內首個上線深度學習語音識別商業系統的機構，將實際場景中語音識別的準確率從60%提升到了88%左右。

到現在，星火極速超擬人交互采用的是統一神經網絡，直接實現語音到語音端到端建模，這是一種被驗證為能力更強的技術方案。

因為傳統的語音識別系統一般由多個模塊組成，包括聲學模型、語言模型和發音詞典等。而端到端建模將這些模塊合并為一個整體，實現了原始語音信號到最終文本的直接映射，這就給語音交互帶來了許多提升。

首先，端到端建模簡化了傳統語音識別系統的復雜度、減少了模塊之間的集成難度。其次，它可以更好地外理語音信號中的噪聲和變異，提高了系統的魯棒性，即抵御外界干擾和保持穩定的能力。此外，它還具有更快的訓練和推理速度，適用于實時場景。

星火極速超擬人交互的技術優勢背后，在于科大訊飛持續進行研發投入和積累。

根據科大訊飛最新發布的2024年上半年財報，報告期內其營收93.25億元，比上年同期增長18.91%。值得注意的是，公司研發投入21.9億元，同比增長32.23%，占營收比重達23.5%。

在企業發展因子中，營銷、宣傳等淺層次的是“快變量”。短期內，它們能夠發揮一時的成效，但也會呈現不穩定和低門檻的特征。

深層次則是“慢變量”，比如技術、研發等等。它們前期需要大量的投入，就像推動一個靜止的輪子，投入到一定程度后輪子會越轉越快，從而迸發出“飛輪效應”，最終轉化為出色的技術和產品以及堅固的護城河。此次，科大訊飛推出星火極速超擬人交互技術就是一個典型。有時候，“慢”反而意味著“快”。

其實，星火極速超擬人交互技術背后的大模型能力，同樣具備龐大的想象空間。

眺望未來：大模型重塑語音產業

如今，“大模型+”就像當年的“互聯網+”給與市場無限想象力。

在大模型的熱風之下，許多產業都值得被重塑一遍，其中就包括汽車、機器人、消費電子、家電等領域。在大模型落地方面，科大訊飛通過星火大模型云邊端一體化、軟硬件一體化的全場景布局，這讓其能夠滿足多個復雜場景對大模型的需求，進而摘取多元的產業紅利。

先說汽車領域。今年上半年，中國汽車產銷量分別達1389.1萬輛和1404.7萬輛，依然保持全球第一。出口總量達348萬輛，同比增長25%，火熱態勢依舊。目前，中國汽車出海十強企業中，有8家企業和科大訊飛合作。未來，汽車的趨勢必然是智能化。而大模型的賦能，可以提升智能座艙、智能駕駛等多個方面的用戶體驗，助力中國汽車產業的增長。

比如，自2011年科大訊飛率先完成汽車語音國產化，車載語音已經成為中國汽車市場的標配，但在海外仍受制于單一語種的制約。今年星火語音大模型發布72個語種/方言免切換對話，并通過云邊端及軟硬一體化解決方案可以大大提升智能座艙體驗。另外，科大訊飛還研發出基于星火大模型的用車助手，能夠實時監測理解車輛狀況，精準解答用戶對用車的問題。

科大訊飛方面透露，公司汽車智能化產品合作已覆蓋90%以上的中國主流自主品牌和合資品牌車廠。最新財報顯示，科大訊飛汽車業務也延續了強勁的增長勢頭，上半年實現營收3.5億元，同比增長65.49%。

跟汽車一樣，機器人同樣是未來的重要趨勢。

尤其是人形機器人的前景非常可觀，據《人形機器人產業研究報告》預測，2024年中國人形機器人市場規模將達到約27.6億元，到2029年達到750億元，將占世界總量的32.7%，占比位居世界第一。

大模型的思維鏈推理能力，能夠明顯提升機器人對于復雜任務的理解能力，并提供符合常識的任務拆解與規劃。尤其是具身感知模型與具身決策模型的結合，能夠進一步提升人形機器人在真實場景下的多模態感知與理解能力。

在復雜任務拆解、開放場景物體識別、多模態感知與理解等方面，星火大模型明顯提升了人形機器人的智能水平。在最近的在2024世界機器人大會，科大訊飛亮相了“大模型+具身智能”的人形機器人最新進展：

整體運動性能提升2倍，復雜任務拆解成功率超過95%，交互能力、運動性能進一步提升。

另外在產業賦能上，訊飛機器人超腦平臺已賦能420家機器人企業，深度鏈接1.5萬機器人開發者，與優必選、宇樹科技、智元機器人、銀河通用等人形機器人企業形成廣泛合作，未來預計有著充足的想象空間和強勁的產業推動力。

除了機器人，大模型浪潮也正在向消費電子終端和家電領域蔓延。

包括智能手機、智能辦公本、學習機等在內的消費電子終端的規模非常龐大，《2024年數字經濟報告》顯示到2029年全球物聯網設備數量將增至390億部。如果用大模型讓每臺終端都變得更智能，從而提升用戶體驗，也能創造更大的市場空間。中商產業研究院預測，2023年中國智能硬件市場規模將達到14031億元，預計2024年增至達15033億元。

以科大訊飛智能辦公本X3為例，其搭載了最新的訊飛星火智能技術，實現語音轉文字、智能筆記整理、多語種翻譯等高效辦公功能。用戶只需簡單操作，就能將會議內容、演講要點等語音信息實時轉化為文字記錄。這不僅大大提高了用戶工作效率，也助力了科大訊飛智能硬件業務的增長。根據最新發布的2024年半年報，科大訊飛智能硬件業務實現營收9億元，同比增長56.61%，增速遠超行業平均水平。

隨著新一輪以舊換新熱潮來襲，家電市場也迎來新的市場增量。而家電與大模型的結合，能夠為用戶創造更智慧的家居生活，也能為家電廠商、技術提供商帶來新的增長點。

比如，搭載訊飛星火認知大模型的電視語音助手將升級為全能的家庭中心，能夠輕松應對日程管理、智能家居控制等操作，也能讓孩子跟電視語音助手直接對話，練習口語、獲取知識等等，打造出新的教育場景。三星就結合訊飛星火認知大模型的能力，讓電視語音助手具備深層次理解、內容生成和知識問答等能力，極大提升了用戶體驗。

如今，星火大模型正成為教育、醫療、能源、汽車、家電、機器人等多個重要領域落地的首選。其不僅為AI時代的入口探索出更多可能性，也在結合實際場景進行應用落地，為用戶真正帶來技術紅利，為企業創造經濟效益，其本身也能夠獲得發展動能。

結語

《底層邏輯》一書中提出“戰略勢能”的概念，形象地說把一塊石頭抬到較高的山頂上就儲備了勢能。石頭向下滾動時，勢能就轉化為了動能。

現在的科大訊飛，正處在積蓄戰略勢能的時候，需要克服困難大量投入。隨著各項技術的深入和落地，戰略勢能將持續轉化為發展動能，其未來是值得期待的。