语音 AI 已近「Her」，为何消费者仍不买账

GPT-Live-1 上线不到两周即获得广泛好评，Gemini Live、Sesame、Thinking Machines 即将推出的交互模型也都在主打拟人韵律、情感表达、低延迟、多模态理解与工具调用——把消费级语音 AI 的体验天花板推到了接近科幻片《Her》的水平。每月 20 美元就能拥有一个可以倾诉、调情甚至「帮忙管邮件」的语音助手，但现实中真正每天和 AI 对话的人依然寥寥无几。这种「技术飞速进步、消费者行为几乎不动」的脱节，是当前语音 AI 赛道最值得追问的问题。

技术到了，但消费者还在路上

最乐观的解释是：技术已经到位，只是用户行为需要时间跟上。iPhone 首年仅售出约 140 万部，真正的指数级增长在两年后才出现；类比之下，今年才集中涌现的高质量语音 AI，可能仍处在采用曲线的早期。AI 陪伴产品（如 Character AI）已经积累了数百万日活用户，但它们大多依赖文字，语音功能被当作附加项推出，核心场景仍是「角色扮演 + 描述性叙事」，朗读出来反而显得尴尬。

Sesame 与 GPT-Live-1：惊艳之后为何停用

由前 Oculus 团队成员创办的 Sesame 去年展示出异常自然的语音表现：不靠大幅扩基座模型，而是通过精细工程、高质量对话数据、语气词和韵律控制，让对话逼近真人体验。后续发布的 iOS / Android 应用加入了多角色、工具调用与研究能力，体验「好到让人困惑为什么没有立刻走红」——但作者本人在使用三天后便停了下来，原因是对话模式开始重复，语气词变得可预期，「幻象」迅速瓦解，只剩下一个效率更低的 ChatGPT。

OpenAI 的 GPT-Live-1 把这类体验进一步推高，并直接面向 ChatGPT 全付费层级开放（免费用户获得轻量版），让双工语音覆盖了超过 5000 万消费者，无需单独产品或订阅。如果「可及性」与「技术质量」是主要瓶颈，使用率理应开始显著上升。但作者本人在使用仅一天后便停用——再短的纪录——因为生活中缺少主动开启对话的契机。

摩擦、可穿戴与「被动常驻」的猜想

文章指出，智能手机本身就为语音 AI 增添了大量摩擦：掏出手机、打开 App、进入语音模式、握着设备说话，往往比直接打字更麻烦，Siri 的现状就是典型例子。文章在此处被截断，作者显然想进一步讨论可穿戴设备（如耳机、项链等）能否把语音交互从「主动决策」变成「被动常驻」——也就是不必专门「打开」对话，而是像背景对话一样随时可被唤起。这一设想如果成立，可能是消费语音 AI 真正突破使用率瓶颈的关键变量。

几个值得记住的数据

• GPT-Live-1 在 ChatGPT 全付费层级铺开，覆盖用户超过 5000 万。
• Character AI 两年前已加入语音聊天，但绝大多数重度用户仍偏好文字。
• iPhone 首年销量约 140 万部，真正起飞用了两年。
• 当前主流消费级语音助手定价约 20 美元 / 月。

技术曲线和采用曲线并不同步，对语音 AI 而言，下一步未必是「更拟人」，而是「更低摩擦、更自然嵌入生活流」。