在语音交互的赛道上，技术突破与资本押注往往相伴而生。红杉资本的最新动作——投资 Sesame AI，不仅是一次商业选择，更是对下一代人机交互方式的前瞻性下注。这背后，语音技术如何从工具走向生态，值得我们深入探讨。

AI 发展这么快，我们已经习惯了在屏幕上打字问问题。但有家公司正在改变这种习惯，它希望我们重新用“说话”去跟 AI 交互。

这家公司叫Seasome。它不是做聊天机器人的，而是在打造一个“能说话、有性格、像人一样回应你的 AI 伙伴”。

你不用再输入指令，只需要开口对它说话。它会用自然的语气回应你、提出问题、甚至打趣你，像一个真正的朋友。

01 Seasome 是什么？怎么用？

如果说 ChatGPT 是“文本界面”，那 Seasome 就是“语音界面”。

你和它对话时，不需要任何打字、按钮、或脚本。只要开口，它就能理解上下文、判断语气、并实时生成回应。

今年2月，他们在官网上线了两位虚拟角色：Maya 和 Miles。

这两个声音角色一上线就火了，短短几周内，超过100 万人参与对话，总时长突破500 万分钟。

用户的评价很统一：它听起来不像机器，更像一个有点个性的人。

和 Siri 或 ChatGPT Voice 不同，Seasome 的声音不是文字转语音的播报，而是直接在语音层面生成内容，包括语气、停顿、呼吸、笑声，甚至偶尔的犹豫。

那种“人味儿”，是目前任何语音助手都没有的。

同时，Seasome 的创始人阵容相当豪华：

Brendan Iribe，Oculus VR 的联合创始人、前 CEO（就是被 Facebook 以20亿美元收购的那家公司）；

Ankit Kumar，前 Ubiquity6 CTO，一家做“增强现实社交”的公司。

公司今年完成了2.5亿美元的B轮融资，由红杉资本领投，团队成员来自 Oculus、Google DeepMind、Adobe 等顶尖机构。

02 核心技术：让 AI 真的“会说话”

Seasome 的核心突破点在于语音生成方式完全不同。

传统语音助手的流程是：

模型生成文字 → 再转成语音 → 机器读出来。

Seasome 改成了：

AI 直接在语音层面生成思维。

也就是说，它不是“把答案念出来”，而是“用声音思考”。

这让它能自然地加入情绪变化，比如语速的停顿、呼吸的节奏、情绪的轻重。

这背后是他们自研的Expressive Speech Generation 模型，专门为“语音优先”训练，重点不是理解，而是如何让 AI 听起来可信。

同时，他们正在开发一款轻量级AI 智能眼镜，内置麦克风、扬声器和本地算力。

用户可以边走路边和 AI 对话，无需拿出手机。

红杉在投资文里提到一句话很有意思：

“这些眼镜时尚到，就算没有 AI 功能，你也会想戴着它。”

他们的逻辑很清晰：语音要成为主界面，必须从软件走向硬件。

过去十年，我们和机器的关系是“低头打字”：ChatGPT、Claude、Copilot，几乎所有 AI 工具都停留在文字层面。

但文字交互有天然的瓶颈：慢、缺乏情绪、不自然。

而语音，才是人类最自然的接口。

语音包含语气、信任感、情绪温度，当 AI 能“听懂你的呼吸”和“语气里的情绪”，协作体验就会被彻底重写。

这就是为什么从2024年开始，语音 AI 正在成为新战场：

• OpenAI 推出了GPT-4o Voice；
• 语音创业公司Hume、Suno、ElevenLabs都在做情绪语音生成；
• 而 Seasome 走得更远，它在语音层直接构建人格和互动。

从宏观趋势看，这是一场从文本操作系统（text OS）向语音操作系统（voice OS）的迁移。

每一次输入方式的变化，都会诞生一个新的巨头：键盘诞生了微软，触屏诞生了苹果，而语音，很可能诞生下一个“AI iPhone”。

Seasome 当前仍以测试为主，首款 iOS 应用正在内测阶段（可在官网sesame.com申请）。

他们的路径和当年的 Oculus 很像：先用情感体验吸引早期用户，再以硬件设备切入更广泛的日常场景。

这家公司很可能成为陪伴型 AI 赛道的核心玩家，而这条赛道在全球市场的年复合增长率预计超过40%。

以上，祝你今天开心。