WHY IT MATTERS
「文本模型解决『聪明』，语音模型解决『自然』—— 后者才是大众市场的入口」
语音 AI 经历了三级跳：2022 年 OpenAI Whisper 用 68 万小时弱监督数据把 ASR 做成「通用基建」；2023-2024 年神经 TTS 进入零样本克隆时代，CosyVoice/Fish Speech 等开源方案 3 秒素材即可复刻音色；2024-2025 年端到端语音模型（Moshi、GLM-4-Voice、Qwen-Omni）把听-想-说塞进一个网络，告别「ASR→LLM→TTS」三段式管道，延迟与表现力双双突破。当语音延迟压进 300-500ms「心理线」，打电话般的 AI 助手从演示品变成日用品——这是继聊天框之后最确定的下一个人机交互入口。