<p>（作者是路透社 Breakingviews 专栏作家。所表达的观点仅代表她个人。）</p>
<p>作者：Karen Kwok</p>
<p>伦敦，12 月 26 日（路透社 Breakingviews）——科技先驱们常常引用 2013 年的科幻电影《她》作为人工智能未来发展的蓝图。在电影中，华金·菲尼克斯饰演的角色通过一个小耳机与他的虚拟助手萨曼莎（由斯嘉丽·约翰逊配音）进行交流，萨曼莎不仅是他随时可用的助手，最终还成为了他的浪漫对象。尽管这个故事并不是对人工智能的赞美，但它确实暗示了到 2026 年，投资者的资金和用户的注意力可能会朝哪个方向发展。基于语音的软件并不新鲜。例如，许多人已经在使用苹果公司的（AAPL.O）Siri 助手。亚马逊（AMZN.O）在 2025 年初声称全球有 6 亿个 Alexa 设备，帮助用户查找信息、播放音乐或控制客厅的灯光。但这些体验在历史上往往显得笨拙。语音通常听起来像机器人。而且软件运行在僵化的预编程规则上，使得处理新信息和理解查询的上下文变得困难，而 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 则能够做到这一点。人工智能正在改变这一切。Alexa 和 Siri 现在具备了大型语言模型（LLMs）的强大功能，显著提高了它们的实用性。同时，OpenAI 的山姆·阿尔特曼和乔尼·艾夫正在开发一种似乎没有屏幕但具有强大音频元素的设备。像 Sequoia 支持的 ElevenLabs 这样的初创公司也是这一趋势的一部分。这家价值 66 亿美元的公司专注于让计算机声音听起来更真实，并支付了 1100 万美元给人们上传短语音片段。这些 1 万个样本帮助训练能够复制各种音调、口音和情感的系统。随着语音启用的人工智能变得更聪明、更像人类，消费者将会热衷于使用它。根据 2016 年的一项学术研究，英语和普通话的语音输入速度大约是打字的三倍。而领先的语音识别模型，如 OpenAI 的 Whisper，声称错误率低至 3%，这意味着它们能正确识别 97% 的单词。这与使用智能手机键盘的准确率大致相当，因为用户的拼写错误率通常约为 2%，根据 2019 年的实验。未来，用户将越来越多地选择直接与人工智能助手对话，而不是通过网页浏览器或移动应用程序来点餐或叫车。例如，优步（UBER.N）已经支持英语、德语、日语、法语、印地语和葡萄牙语的 Siri 语音命令。理论上，佩戴耳机的顾客可以在不拿出手机的情况下点他们最喜欢的寿司。这也应该吸引年长或视力受限的用户，他们有时对发短信不太自信。消费者已经为音频人工智能做好了准备。长时间佩戴耳机变得越来越普遍。根据 GV 的汤姆·霍尔姆的说法，WhatsApp 用户每天发送超过 70 亿条语音消息，而近一半的年轻人每周使用语音笔记。Next Move Strategy Consulting 预计，包括智能耳机在内的整个语音人工智能市场的收入将在 2025 年至 2030 年间增长三倍以上，到本十年末将达到 340 亿美元。同时，根据 PitchBook 的数据，风险投资公司在 2025 年对语音人工智能初创公司的投资达到了 66 亿美元，较 2023 年的 40 亿美元有所增加。更大的问题是，随着聊天机器人变成音频机器人，哪些公司将受益。对自然声音的需求似乎会增加，这将有利于 ElevenLabs。这家初创公司声称在合成语音市场占据 70% 到 80% 的主导份额。它预计到 2025 年底年经常性收入将达到 3 亿美元，并且拥有 60% 的营业利润率。</p>
<p>科技巨头们已经在寻找将人工智能从屏幕转移到耳朵的方法。苹果的 AirPods 现在提供五种语言的实时翻译，让用户能够实时理解外语发言者所说的话。谷歌（GOOGL.O）也将其 Gemini 助手的类似功能应用于 Pixel Buds 耳机中。</p>
<p>然而，更大的奖赏可能在于开发更专业的音频人工智能模型，而不是主要基于文本的系统。目前，许多语音助手的现状通常涉及将语音转换为文本，将其输入到大型语言模型中，然后再将结果朗读出来。一种潜在的更好但成本更高的替代方案是构建 “统一音频” 系统，这些系统可以仅通过声音直接倾听、推理和回应。这为可能性开辟了新的领域，例如将用户的语调和背景噪音融入答案中。换句话说，这更接近于《她》的科幻愿景。另一个大问题是，随着音频机器人的崛起，谁会失去市场。艾夫和阿尔特曼对秘密 OpenAI 设备的意图可能提供了一些线索：《华尔街日报》报道称，这对希望减少用户的屏幕时间。由此可见，社交媒体应用如 TikTok、Instagram 和 WhatsApp 可能会受到影响，除非它们能够适应。</p>
<p>然而，语音人工智能面临的最大问题可能是隐私。监管机构和公众不会喜欢人们佩戴耳机或其他始终在监听的设备。OpenAI 和其他公司可能需要找到解决这一障碍的方法。不过，社交媒体的历史表明，用户会乐于在获得他们喜爱的产品的同时放弃个人信息。因此，到 2026 年，人工智能的未来可能不仅仅是可见的，还将是可听的。请在 LinkedIn 和 X 上关注 Karen Kwok。</p>
<p>这是路透社 Breakingviews 对 2026 年的预测。</p>
<p>消费者更倾向于使用智能手机而非智能音箱作为语音助手</p>
<p><img src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/klpyjbjdkvg/chart.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" width="1420" height="864" original-src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/klpyjbjdkvg/chart.png"/></p>
<p>语音启用的人工智能市场未来收入激增</p>
<p><img src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/gkplqaqdbvb/chart.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" width="1420" height="762" original-src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/gkplqaqdbvb/chart.png"/></p>
<p>（编辑：Liam Proud；制作：Oliver Taslic）</p>

天狼星XM广播

<p>音频人工智能助手的崛起被比作科幻电影《她》，语音软件和大型语言模型的进步提升了它们的实用性。像 ElevenLabs 这样的公司以及科技巨头们处于前沿，正在对语音人工智能初创公司进行大量投资。从基于屏幕的人工智能向基于音频的人工智能的转变预计将使某些公司受益，并减少用户的屏幕使用时间</p>

<p>(The author is a Reuters Breakingviews columnist. The opinions expressed are her own.)</p>
<div class="lb-trans"><p>（作者是路透社 Breakingviews 专栏作家。所表达的观点仅代表她个人。）</p>
</div><p>By Karen Kwok</p>
<div class="lb-trans"><p>作者：Karen Kwok</p>
</div><p>LONDON, Dec 26 (Reuters Breakingviews) - Tech visionaries often cite the 2013 sci-fi movie “Her” as a blueprint for where artificial intelligence is headed. In the film, Joaquin Phoenix’s character spends his days talking through a small earpiece to Samantha, his ever present virtual assistant and eventual romantic interest, voiced by Scarlett Johansson. The story is hardly a love letter to AI, though it does hint at where investors’ money and users’ attention may be headed in 2026. Voice-based software isn’t new. Many people already use Apple’s (AAPL.O) Siri assistant, for example. Amazon.com (AMZN.O) in early 2025 claimed that there were 600 million Alexa-enabled devices in the world, helping users look up facts, play music or control the living-room lights. But these experiences have historically been clunky. The voices have typically sounded robotic. And the software ran on rigid pre-programmed rules, making it difficult to process new information and gauge the context for a query in the way that OpenAI’s ChatGPT and Anthropic’s Claude can. AI is changing all that. Alexa and Siri now pack the punch of large language models (LLMs), significantly improving their usefulness. Meanwhile, OpenAI’s Sam Altman and Jony Ive are working on a device that seems likely to be screenless with a strong audio element. Startups like Sequoia-backed ElevenLabs are part of the trend too. The $6.6 billion company specialises in making computer voices sound real, and has paid $11 million to people to upload short voice clips. These 10,000 samples help to train systems that can replicate a wide variety of tones, accents, and emotions. As voice-enabled AI gets smarter and more human-sounding, consumers will lap it up. Speaking is about three times faster than typing for both English and Mandarin Chinese, according to a 2016 academic study. And leading speech-recognition models, like OpenAI’s Whisper, claim error rates as low as 3%, meaning they get 97% of words right. That’s roughly as accurate as using a smartphone keyboard, since users typically have a typo rate of about 2%, based on a 2019 experiment. Rather than using a web browser or a mobile application to order food or call a cab, it will become increasingly common to just speak to an AI assistant instead. Uber Technologies (UBER.N) , for example, already supports voice commands for Siri users in English, German, Japanese, French, Hindi and Portuguese. In theory, a customer wearing earbuds could order their favourite sushi dish without having to take their phone out of their pocket. That should also appeal to older or visually impaired users, who are sometimes less comfortable texting. Consumers are already primed for audio AI. Wearing headphones for large parts of the day is increasingly common. WhatsApp users send more than 7 billion voice messages daily, while nearly half of young adults use voice notes weekly, according to GV’s Tom Hulme. Next Move Strategy Consulting expects the revenue of the total voice AI market, including smart earbuds, to more than triple in size between 2025 and 2030, reaching $34 billion by the end of the decade. Meanwhile, venture capital firms invested $6.6 billion in voice AI startups in 2025 – up from $4 billion in 2023, according to PitchBook. The bigger question is which companies stand to benefit as chatbots become audiobots. Greater demand for natural-sounding voices seems likely, which will help ElevenLabs. The startup claims a dominant 70% to 80% share of the synthetic voice market. It expects $300 million in annual recurring revenue by the end of 2025, and has a 60% operating profit margin.</p>
<div class="lb-trans"><p>伦敦，12 月 26 日（路透社 Breakingviews）——科技先驱们常常引用 2013 年的科幻电影《她》作为人工智能未来发展的蓝图。在电影中，华金·菲尼克斯饰演的角色通过一个小耳机与他的虚拟助手萨曼莎（由斯嘉丽·约翰逊配音）进行交流，萨曼莎不仅是他随时可用的助手，最终还成为了他的浪漫对象。尽管这个故事并不是对人工智能的赞美，但它确实暗示了到 2026 年，投资者的资金和用户的注意力可能会朝哪个方向发展。基于语音的软件并不新鲜。例如，许多人已经在使用苹果公司的（AAPL.O）Siri 助手。亚马逊（AMZN.O）在 2025 年初声称全球有 6 亿个 Alexa 设备，帮助用户查找信息、播放音乐或控制客厅的灯光。但这些体验在历史上往往显得笨拙。语音通常听起来像机器人。而且软件运行在僵化的预编程规则上，使得处理新信息和理解查询的上下文变得困难，而 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 则能够做到这一点。人工智能正在改变这一切。Alexa 和 Siri 现在具备了大型语言模型（LLMs）的强大功能，显著提高了它们的实用性。同时，OpenAI 的山姆·阿尔特曼和乔尼·艾夫正在开发一种似乎没有屏幕但具有强大音频元素的设备。像 Sequoia 支持的 ElevenLabs 这样的初创公司也是这一趋势的一部分。这家价值 66 亿美元的公司专注于让计算机声音听起来更真实，并支付了 1100 万美元给人们上传短语音片段。这些 1 万个样本帮助训练能够复制各种音调、口音和情感的系统。随着语音启用的人工智能变得更聪明、更像人类，消费者将会热衷于使用它。根据 2016 年的一项学术研究，英语和普通话的语音输入速度大约是打字的三倍。而领先的语音识别模型，如 OpenAI 的 Whisper，声称错误率低至 3%，这意味着它们能正确识别 97% 的单词。这与使用智能手机键盘的准确率大致相当，因为用户的拼写错误率通常约为 2%，根据 2019 年的实验。未来，用户将越来越多地选择直接与人工智能助手对话，而不是通过网页浏览器或移动应用程序来点餐或叫车。例如，优步（UBER.N）已经支持英语、德语、日语、法语、印地语和葡萄牙语的 Siri 语音命令。理论上，佩戴耳机的顾客可以在不拿出手机的情况下点他们最喜欢的寿司。这也应该吸引年长或视力受限的用户，他们有时对发短信不太自信。消费者已经为音频人工智能做好了准备。长时间佩戴耳机变得越来越普遍。根据 GV 的汤姆·霍尔姆的说法，WhatsApp 用户每天发送超过 70 亿条语音消息，而近一半的年轻人每周使用语音笔记。Next Move Strategy Consulting 预计，包括智能耳机在内的整个语音人工智能市场的收入将在 2025 年至 2030 年间增长三倍以上，到本十年末将达到 340 亿美元。同时，根据 PitchBook 的数据，风险投资公司在 2025 年对语音人工智能初创公司的投资达到了 66 亿美元，较 2023 年的 40 亿美元有所增加。更大的问题是，随着聊天机器人变成音频机器人，哪些公司将受益。对自然声音的需求似乎会增加，这将有利于 ElevenLabs。这家初创公司声称在合成语音市场占据 70% 到 80% 的主导份额。它预计到 2025 年底年经常性收入将达到 3 亿美元，并且拥有 60% 的营业利润率。</p>
</div><p>Tech giants are already finding ways to move AI from the screen to the ear. Apple’s AirPods now offer live translation in five languages, letting users understand what a foreign speaker is saying in real time. Alphabet (GOOGL.O) is putting similar functions from its Gemini assistant into the Pixel Buds earphones.</p>
<div class="lb-trans"><p>科技巨头们已经在寻找将人工智能从屏幕转移到耳朵的方法。苹果的 AirPods 现在提供五种语言的实时翻译，让用户能够实时理解外语发言者所说的话。谷歌（GOOGL.O）也将其 Gemini 助手的类似功能应用于 Pixel Buds 耳机中。</p>
</div><p>The bigger prize, however, may lie in developing more specialist audio AI models, as distinct from primarily text-based systems. The current status quo for many voice-based assistants often involves translating speech to text, feeding it into an LLM, and then reading the results aloud. A potentially better, albeit more expensive, alternative is to build “unified audio” systems that can listen, reason and respond directly through sound alone. This opens up a new field of possibilities, like incorporating users’ intonation and contextual background noise into an answer. In other words, it’s a step closer to the sci-fi vision of “Her”. Another big question is who loses as audiobots rise. Ive and Altman’s intentions with the secretive OpenAI device may offer a hint: the Wall Street Journal has reported that the pair hope to reduce users’ screentime. It follows that social media apps like TikTok, Instagram and WhatsApp may suffer, unless they can adapt.</p>
<div class="lb-trans"><p>然而，更大的奖赏可能在于开发更专业的音频人工智能模型，而不是主要基于文本的系统。目前，许多语音助手的现状通常涉及将语音转换为文本，将其输入到大型语言模型中，然后再将结果朗读出来。一种潜在的更好但成本更高的替代方案是构建 “统一音频” 系统，这些系统可以仅通过声音直接倾听、推理和回应。这为可能性开辟了新的领域，例如将用户的语调和背景噪音融入答案中。换句话说，这更接近于《她》的科幻愿景。另一个大问题是，随着音频机器人的崛起，谁会失去市场。艾夫和阿尔特曼对秘密 OpenAI 设备的意图可能提供了一些线索：《华尔街日报》报道称，这对希望减少用户的屏幕时间。由此可见，社交媒体应用如 TikTok、Instagram 和 WhatsApp 可能会受到影响，除非它们能够适应。</p>
</div><p>The biggest problem for voice AI, however, may be privacy. Regulators and the general public won’t like people walking around with headphones or other devices that are always listening. OpenAI and others may have to find a way around that obstacle. Still, the history of social media suggests that users will happily surrender personal information in return for a product they love. In 2026, the future of AI may therefore be heard as much as it’s seen. Follow Karen Kwok on LinkedIn and X.</p>
<div class="lb-trans"><p>然而，语音人工智能面临的最大问题可能是隐私。监管机构和公众不会喜欢人们佩戴耳机或其他始终在监听的设备。OpenAI 和其他公司可能需要找到解决这一障碍的方法。不过，社交媒体的历史表明，用户会乐于在获得他们喜爱的产品的同时放弃个人信息。因此，到 2026 年，人工智能的未来可能不仅仅是可见的，还将是可听的。请在 LinkedIn 和 X 上关注 Karen Kwok。</p>
</div><p>This is a Reuters Breakingviews prediction for 2026.</p>
<div class="lb-trans"><p>这是路透社 Breakingviews 对 2026 年的预测。</p>
</div><p>Consumers are using smartphones over smart speakers for voice assistants</p>
<div class="lb-trans"><p>消费者更倾向于使用智能手机而非智能音箱作为语音助手</p>
</div><p><img src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/klpyjbjdkvg/chart.png" alt="" original-src="https://www.reuters.com/graphics/BRV-BRV/klpyjbjdkvg/chart.png"/></p>
<p>Surging future revenue for the voice-enabled AI market</p>
<div class="lb-trans"><p>语音启用的人工智能市场未来收入激增</p>
</div><p><img src="https://imageproxy.pbkrs.com/https://www.reuters.com/graphics/BRV-BRV/gkplqaqdbvb/chart.png" alt="" original-src="https://www.reuters.com/graphics/BRV-BRV/gkplqaqdbvb/chart.png"/></p>
<p>(Editing by Liam Proud; Production by Oliver Taslic)</p>
<div class="lb-trans"><p>（编辑：Liam Proud；制作：Oliver Taslic）</p>
</div>

突发观点——随着音频助手的崛起，聊天机器人找到了自己的声音