<p>（作者是路透社 Breakingviews 專欄作家。所表達的觀點僅代表她個人。）</p>
<p>作者：Karen Kwok</p>
<p>倫敦，12 月 26 日（路透社 Breakingviews）——科技先驅們常常引用 2013 年的科幻電影《她》作為人工智能未來發展的藍圖。在電影中，華金·菲尼克斯飾演的角色通過一個小耳機與他的虛擬助手薩曼莎（由斯嘉麗·約翰遜配音）進行交流，薩曼莎不僅是他隨時可用的助手，最終還成為了他的浪漫對象。儘管這個故事並不是對人工智能的讚美，但它確實暗示了到 2026 年，投資者的資金和用户的注意力可能會朝哪個方向發展。基於語音的軟件並不新鮮。例如，許多人已經在使用蘋果公司的（AAPL.O）Siri 助手。亞馬遜（AMZN.O）在 2025 年初聲稱全球有 6 億個 Alexa 設備，幫助用户查找信息、播放音樂或控制客廳的燈光。但這些體驗在歷史上往往顯得笨拙。語音通常聽起來像機器人。而且軟件運行在僵化的預編程規則上，使得處理新信息和理解查詢的上下文變得困難，而 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 則能夠做到這一點。人工智能正在改變這一切。Alexa 和 Siri 現在具備了大型語言模型（LLMs）的強大功能，顯著提高了它們的實用性。同時，OpenAI 的山姆·阿爾特曼和喬尼·艾夫正在開發一種似乎沒有屏幕但具有強大音頻元素的設備。像 Sequoia 支持的 ElevenLabs 這樣的初創公司也是這一趨勢的一部分。這家價值 66 億美元的公司專注於讓計算機聲音聽起來更真實，並支付了 1100 萬美元給人們上傳短語音片段。這些 1 萬個樣本幫助訓練能夠複製各種音調、口音和情感的系統。隨着語音啓用的人工智能變得更聰明、更像人類，消費者將會熱衷於使用它。根據 2016 年的一項學術研究，英語和普通話的語音輸入速度大約是打字的三倍。而領先的語音識別模型，如 OpenAI 的 Whisper，聲稱錯誤率低至 3%，這意味着它們能正確識別 97% 的單詞。這與使用智能手機鍵盤的準確率大致相當，因為用户的拼寫錯誤率通常約為 2%，根據 2019 年的實驗。未來，用户將越來越多地選擇直接與人工智能助手對話，而不是通過網頁瀏覽器或移動應用程序來點餐或叫車。例如，優步（UBER.N）已經支持英語、德語、日語、法語、印地語和葡萄牙語的 Siri 語音命令。理論上，佩戴耳機的顧客可以在不拿出手機的情況下點他們最喜歡的壽司。這也應該吸引年長或視力受限的用户，他們有時對發短信不太自信。消費者已經為音頻人工智能做好了準備。長時間佩戴耳機變得越來越普遍。根據 GV 的湯姆·霍爾姆的説法，WhatsApp 用户每天發送超過 70 億條語音消息，而近一半的年輕人每週使用語音筆記。Next Move Strategy Consulting 預計，包括智能耳機在內的整個語音人工智能市場的收入將在 2025 年至 2030 年間增長三倍以上，到本十年末將達到 340 億美元。同時，根據 PitchBook 的數據，風險投資公司在 2025 年對語音人工智能初創公司的投資達到了 66 億美元，較 2023 年的 40 億美元有所增加。更大的問題是，隨着聊天機器人變成音頻機器人，哪些公司將受益。對自然聲音的需求似乎會增加，這將有利於 ElevenLabs。這家初創公司聲稱在合成語音市場佔據 70% 到 80% 的主導份額。它預計到 2025 年底年經常性收入將達到 3 億美元，並且擁有 60% 的營業利潤率。</p>
<p>科技巨頭們已經在尋找將人工智能從屏幕轉移到耳朵的方法。蘋果的 AirPods 現在提供五種語言的實時翻譯，讓用户能夠實時理解外語發言者所説的話。谷歌（GOOGL.O）也將其 Gemini 助手的類似功能應用於 Pixel Buds 耳機中。</p>
<p>然而，更大的獎賞可能在於開發更專業的音頻人工智能模型，而不是主要基於文本的系統。目前，許多語音助手的現狀通常涉及將語音轉換為文本，將其輸入到大型語言模型中，然後再將結果朗讀出來。一種潛在的更好但成本更高的替代方案是構建 “統一音頻” 系統，這些系統可以僅通過聲音直接傾聽、推理和回應。這為可能性開闢了新的領域，例如將用户的語調和背景噪音融入答案中。換句話説，這更接近於《她》的科幻願景。另一個大問題是，隨着音頻機器人的崛起，誰會失去市場。艾夫和阿爾特曼對秘密 OpenAI 設備的意圖可能提供了一些線索：《華爾街日報》報道稱，這對希望減少用户的屏幕時間。由此可見，社交媒體應用如 TikTok、Instagram 和 WhatsApp 可能會受到影響，除非它們能夠適應。</p>
<p>然而，語音人工智能面臨的最大問題可能是隱私。監管機構和公眾不會喜歡人們佩戴耳機或其他始終在監聽的設備。OpenAI 和其他公司可能需要找到解決這一障礙的方法。不過，社交媒體的歷史表明，用户會樂於在獲得他們喜愛的產品的同時放棄個人信息。因此，到 2026 年，人工智能的未來可能不僅僅是可見的，還將是可聽的。請在 LinkedIn 和 X 上關注 Karen Kwok。</p>
<p>這是路透社 Breakingviews 對 2026 年的預測。</p>
<p>消費者更傾向於使用智能手機而非智能音箱作為語音助手</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>語音啓用的人工智能市場未來收入激增</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>（編輯：Liam Proud；製作：Oliver Taslic）</p>

天狼星XM廣播

<p>音頻人工智能助手的崛起被比作科幻電影《她》，語音軟件和大型語言模型的進步提升了它們的實用性。像 ElevenLabs 這樣的公司以及科技巨頭們處於前沿，正在對語音人工智能初創公司進行大量投資。從基於屏幕的人工智能向基於音頻的人工智能的轉變預計將使某些公司受益，並減少用户的屏幕使用時間</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 專欄作家。所表達的觀點僅代表她個人。）</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>倫敦，12 月 26 日（路透社 Breakingviews）——科技先驅們常常引用 2013 年的科幻電影《她》作為人工智能未來發展的藍圖。在電影中，華金·菲尼克斯飾演的角色通過一個小耳機與他的虛擬助手薩曼莎（由斯嘉麗·約翰遜配音）進行交流，薩曼莎不僅是他隨時可用的助手，最終還成為了他的浪漫對象。儘管這個故事並不是對人工智能的讚美，但它確實暗示了到 2026 年，投資者的資金和用户的注意力可能會朝哪個方向發展。基於語音的軟件並不新鮮。例如，許多人已經在使用蘋果公司的（AAPL.O）Siri 助手。亞馬遜（AMZN.O）在 2025 年初聲稱全球有 6 億個 Alexa 設備，幫助用户查找信息、播放音樂或控制客廳的燈光。但這些體驗在歷史上往往顯得笨拙。語音通常聽起來像機器人。而且軟件運行在僵化的預編程規則上，使得處理新信息和理解查詢的上下文變得困難，而 OpenAI 的 ChatGPT 和 Anthropic 的 Claude 則能夠做到這一點。人工智能正在改變這一切。Alexa 和 Siri 現在具備了大型語言模型（LLMs）的強大功能，顯著提高了它們的實用性。同時，OpenAI 的山姆·阿爾特曼和喬尼·艾夫正在開發一種似乎沒有屏幕但具有強大音頻元素的設備。像 Sequoia 支持的 ElevenLabs 這樣的初創公司也是這一趨勢的一部分。這家價值 66 億美元的公司專注於讓計算機聲音聽起來更真實，並支付了 1100 萬美元給人們上傳短語音片段。這些 1 萬個樣本幫助訓練能夠複製各種音調、口音和情感的系統。隨着語音啓用的人工智能變得更聰明、更像人類，消費者將會熱衷於使用它。根據 2016 年的一項學術研究，英語和普通話的語音輸入速度大約是打字的三倍。而領先的語音識別模型，如 OpenAI 的 Whisper，聲稱錯誤率低至 3%，這意味着它們能正確識別 97% 的單詞。這與使用智能手機鍵盤的準確率大致相當，因為用户的拼寫錯誤率通常約為 2%，根據 2019 年的實驗。未來，用户將越來越多地選擇直接與人工智能助手對話，而不是通過網頁瀏覽器或移動應用程序來點餐或叫車。例如，優步（UBER.N）已經支持英語、德語、日語、法語、印地語和葡萄牙語的 Siri 語音命令。理論上，佩戴耳機的顧客可以在不拿出手機的情況下點他們最喜歡的壽司。這也應該吸引年長或視力受限的用户，他們有時對發短信不太自信。消費者已經為音頻人工智能做好了準備。長時間佩戴耳機變得越來越普遍。根據 GV 的湯姆·霍爾姆的説法，WhatsApp 用户每天發送超過 70 億條語音消息，而近一半的年輕人每週使用語音筆記。Next Move Strategy Consulting 預計，包括智能耳機在內的整個語音人工智能市場的收入將在 2025 年至 2030 年間增長三倍以上，到本十年末將達到 340 億美元。同時，根據 PitchBook 的數據，風險投資公司在 2025 年對語音人工智能初創公司的投資達到了 66 億美元，較 2023 年的 40 億美元有所增加。更大的問題是，隨着聊天機器人變成音頻機器人，哪些公司將受益。對自然聲音的需求似乎會增加，這將有利於 ElevenLabs。這家初創公司聲稱在合成語音市場佔據 70% 到 80% 的主導份額。它預計到 2025 年底年經常性收入將達到 3 億美元，並且擁有 60% 的營業利潤率。</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>科技巨頭們已經在尋找將人工智能從屏幕轉移到耳朵的方法。蘋果的 AirPods 現在提供五種語言的實時翻譯，讓用户能夠實時理解外語發言者所説的話。谷歌（GOOGL.O）也將其 Gemini 助手的類似功能應用於 Pixel Buds 耳機中。</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，更大的獎賞可能在於開發更專業的音頻人工智能模型，而不是主要基於文本的系統。目前，許多語音助手的現狀通常涉及將語音轉換為文本，將其輸入到大型語言模型中，然後再將結果朗讀出來。一種潛在的更好但成本更高的替代方案是構建 “統一音頻” 系統，這些系統可以僅通過聲音直接傾聽、推理和回應。這為可能性開闢了新的領域，例如將用户的語調和背景噪音融入答案中。換句話説，這更接近於《她》的科幻願景。另一個大問題是，隨着音頻機器人的崛起，誰會失去市場。艾夫和阿爾特曼對秘密 OpenAI 設備的意圖可能提供了一些線索：《華爾街日報》報道稱，這對希望減少用户的屏幕時間。由此可見，社交媒體應用如 TikTok、Instagram 和 WhatsApp 可能會受到影響，除非它們能夠適應。</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，語音人工智能面臨的最大問題可能是隱私。監管機構和公眾不會喜歡人們佩戴耳機或其他始終在監聽的設備。OpenAI 和其他公司可能需要找到解決這一障礙的方法。不過，社交媒體的歷史表明，用户會樂於在獲得他們喜愛的產品的同時放棄個人信息。因此，到 2026 年，人工智能的未來可能不僅僅是可見的，還將是可聽的。請在 LinkedIn 和 X 上關注 Karen Kwok。</p>
</div><p>This is a Reuters Breakingviews prediction for 2026.</p>
<div class="lb-trans"><p>這是路透社 Breakingviews 對 2026 年的預測。</p>
</div><p>Consumers are using smartphones over smart speakers for voice assistants</p>
<div class="lb-trans"><p>消費者更傾向於使用智能手機而非智能音箱作為語音助手</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>語音啓用的人工智能市場未來收入激增</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>（編輯：Liam Proud；製作：Oliver Taslic）</p>
</div>

突發觀點——隨着音頻助手的崛起，聊天機器人找到了自己的聲音