过去半年，AI语音赛道爆发，多家公司获大额融资。例如，Wispr Flow完成3000万美元A轮融资，ElevenLabs估值超30亿美元。Meta、OpenAI等巨头也积极布局语音模型。声智副总裁黄赟贺指出，语音对话因大模型加持进化为AI时代入口，声音首次实现“可编程化”，使语音交互迈向新阶段。然而，“听清”仍是技术难点，受物理限制需长期突破。未来，语音交互将从功能导向转向情感导向，通过情绪识别、意图理解等方式实现人机共情，并构建融合声学、视觉与语言的“声学世界模型”，推动具身智能发展。