从OpenAI的实时电话AI到苹果的语音指挥棒，语音交互正迎来爆发式创新。大厂们纷纷将语音能力嵌入核心场景，而初创公司则在细分领域打造极致工具。本文将拆解语音交互的最新战场，看AI如何让对话从机械应答进化到自然交互。
前几天写了一篇关于语音交互的文章（交互革命：AI 硬件别再死磕“语音”了），大家有不少讨论，于是我特意找了一些聚焦语音交互的 AI 公司和产品，想和大家一起看看，现在做语音交互的公司们都在做什么。
OpenAI 最近的动作非常快，他们把实时语音对话提升到了核心战略位置。
打断式对话：现在的对话模型不再是你一句、我一句的死板对讲，你可以在它说话时随时打断、纠正，它的反应速度和真人几乎没区别。
接管电话网络：最关键的动作是他们发布了支持 SIP（会话发起协议）的 Realtime API。通俗点说，开发者可以直接把 OpenAI 的语音能力接进公司的电话交换机里。
这意味着，你接到的客服电话、预约电话，背后可能就是一个反应极快、逻辑清晰的 AI 智能体。
苹果在 Apple Intelligence 苹果智能里，把语音能力切得很碎，塞进了最常用的沟通场景：
通话与录音的一条龙服务：现在的 iPhone 不仅能录音，还能实时转写成文字，并自动生成摘要。你打完一个半小时的电话，它直接给你列出三个待办事项。
AirPods 的实时翻译：戴上耳机，对方说外语，你听到的是中文，几乎没有感官上的延迟。
快捷指令：以前复杂的“快捷指令”需要手动编排，现在你只要动动嘴，Siri 就能直接调用这些能力帮你完成跨 App 的操作。
谷歌把 Gemini Live 的能力深度嵌入到了搜索里，搞出了一个Search Live：
追问式搜索：语音搜索不再是“问一个问题，给一个答案”。你可以边聊边找，比如：“帮我找下周去大理的机票。”
搜出来后直接追问：“要下午出发的，价格不要超过一千。”它会根据之前的对话内容持续更新搜索结果。
亚马逊推出了下一代Alexa+。这次他们很明确，Alexa+ 不再只是控制灯泡的开关，而是要走能聊天、能办事的路线。
它能记住你的生活习惯，处理更复杂的家务指令，比如“帮我订一份常吃的那个披萨，要在半小时内送到”。
微软开始在 Windows 系统里大规模测试“Hey Copilot”唤醒词。他们想让语音成为办公的常驻入口。
不管是写 PPT 还是查表格，你不需要到处点菜单，直接说话，Copilot 就能在后台帮你把活儿干了。
Product Hunt 2025 年专门做了“AI 听写应用”的 Orbit Awards，我梳理了上面风头最劲的几家语音初创公司。
它是做什么的：一个系统级的语音输入工具。
规模：刚拿到 8100 万美元融资，估值约 7 亿美元。
怎么用：你在电脑上任何能打字的地方（微信、邮件、Word），按下快捷键直接说话。
特点：它最厉害的地方在于“自动整理”。你说话的时候可能有口音、有废话、有重复，但它转出来的文字是逻辑严密、排版工整的。它就像一个全能速记员+文案编辑，目前已经有大量用户用它替代了 70% 以上的键盘输入。
它是做什么的：针对长篇文档、剧本、报告的语音写作工具。
怎么用：你坐在椅子上，像讲故事一样把内容说出来。
特点：普通的语音转文字很难处理分段和语气。Aqua Voice 擅长捕捉你的情绪和语气，自动帮你判断哪里该分段，哪里是重点。它不是简单地记录，而是像个影子作者一样，帮你把零散的思想变成有可读性的长文章。
它是做什么的：一个运行在本地设备上的极速语音转写工具。
怎么用：适合医生、律师、财务等对数据安全极度敏感的职业。
特点：它的模型是跑在你自己电脑里的（比如 Mac 的本地芯片），不需要联网。这意味着你的谈话内容永远不会传到云端，安全性极高，而且转写速度极快，几乎是话音刚落，文字就出来了。
它是做什么的：一个基于语音匹配的社交平台。
规模：最近刚获得 9700 万美元融资。
怎么用：抛弃了传统的“看照片、左右划”模式。
特点：它让 AI 识别用户的声音特征、语调和表达逻辑，帮你找“聊得来”的人。他们认为声音包含的信息比文字和照片多得多。
对比过去，语音交互也在进化：
我们也看到目前的语音交互市场，已经分成了两条明显的路径：
语音交互确实更符合用户习惯和认知，但我也同样期待下一个交互的 iPhone 时刻。
以上，祝你今天开心。
作者：张艾拉 公众号：Fun AI Everyday
本文由 @张艾拉 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自作者提供
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。