ThunderPhone v2：面向电话场景的多模型语音 AI 栈

语音 AI 是过去一年多来的热门方向，既用于自动化电话呼叫，也被集成进各类应用的人机交互中。ThunderPhone 团队近日在 Hacker News 发布 v2 版本，提出一种针对电话场景优化的语音 AI 栈，目标是突破传统「语音转写 → 大模型生成文本 → TTS 合成语音」三段式管线的体验瓶颈。

传统三段式管线的三大痛点

作者 Alex 在介绍中指出，当前主流的语音 Agent 多采用三段式管线，但在真实电话场景中表现往往差强人意，原因可以归结为三点：

速度与能力的矛盾：电话对话要求低延迟，通常只能使用非思考型 LLM，这导致模型容易出错，让对话跑偏。
信息在转写环节流失：依赖单一转写模型把语音转成文本，会丢失大量音频中的细节；一旦转写出错，下游 LLM 很难纠错，错误会一路传到回复端。
自然对话处理困难：包括过滤背景人声、判断何时该被打断（例如允许「呃，等一下」打断，但不让「嗯嗯」打断）等，都直接关系到对话是否自然。

作者认为，从「苦涩的教训」思路出发，最终的解决方案大概率是「全双工」模型——持续接收并输出音频，实现流畅的双向交互，并在后台调用更智能的模型。OpenAI 近期发布的 GPT-Live 似乎率先朝这一方向迈出实质性一步，但相关技术尚不能直接接入电话场景。

ThunderPhone v2 的技术思路

在真正的全双工模型成熟之前，ThunderPhone v2 通过组合多种已有模型来提升电话场景下的表现，核心思路有三条：

多路并行抓取音频信号：同时运行多个转写模型，并将原始音频直接送入 LLM，从而大幅降低错误率，尤其在数据录入、多语言通话等高难度任务上。
思考型与非思考型 LLM 并用：让模型在合适的时候给出即时回应，在需要时主动表示「让我想想」，再由更强的模型给出最终答案。
大规模模型集群：将大量小模型（以及少量大模型）拼接在一起，在嘈杂环境、扬声器通话等困难条件下提升对话自然度。

分层定价与基准成绩

ThunderPhone 将这套栈按能力分成三档定价：

Spark（2 美分/分钟）：定位为团队所知的市面上最便宜的档位，足以应对简单的事务性电话。
Bolt（5 美分/分钟）：中间档，是其产品中速度最快的模型。
Storm（9 美分/分钟，可加 3 美分开启增强智能）：旗舰档，能够处理相当复杂的电话，极少出错；在增强智能开启的情况下，据称在 Big Bench Audio 基准上达到 99.4% 的准确率，刷新该榜单纪录。

适用场景与定位

ThunderPhone 主要面向 B2B 客户，例如客服自动化、外呼等场景；同时也支持个人用途，例如搭建智能语音邮箱、替用户致电餐厅订位、致电药房查询处方等。作者表示，除了少数「商业秘密」之外，欢迎就语音 AI 行业及其发展方向进一步交流。

需要指出的是，ThunderPhone 是一家小型创业公司，本次更新本质上是其产品营销与技术介绍，文中所述的基准成绩尚未见到独立第三方验证，行业整体仍处在快速演进阶段。