首页过去两年，Voice AI 行业出现了一个非常明显的变化：开源语音模型越来越多，而且越来越强。
从早期 Whisper 带动 ASR 开源，到今天 Qwen、Microsoft 等大厂不断推出新的 ASR、TTS 和语音大模型，过去只有少数科技巨头掌握的语音技术，正在快速走向普及。2026 年发布的 Qwen3-ASR，0.6B 和 1.7B 两个版本支持 52 种语言和方言，官方评测显示 1.7B 版本已经能够与头部商业闭源 API 竞争；0.6B 版本则进一步降低了部署成本。Microsoft 的 VibeVoice-ASR 把长音频、多说话人、时间戳等能力集成到一个模型中，可以单次处理最长 60 分钟音频，今年 7 月发布的 BitNet 版本将模型从 4.62GB 压缩到 1.58GB，并可以直接在 CPU 上实现实时推理。
一批 Voice AI 创业公司快速崛起，Voice Agent、AI 陪伴、AI 客服、AI 外呼、AI 硬件等应用大量出现。当 ASR、TTS 甚至端到端语音模型都开始开源，很多人开始觉得 Voice AI 的技术门槛已经大幅降低，有模型就能做产品了。
这个判断对了一半。Voice AI 的模型门槛确实在快速下降，但系统门槛和产品门槛并没有随之消失。
一. 模型层的门槛确实在消失
几年前，做一家 Voice AI 公司并不容易。ASR 需要大量标注语音数据、声学模型和语言模型，TTS 涉及声学建模、韵律建模、声码器、音色控制等复杂技术体系。真正有能力做好语音技术的，基本都是 Google、Microsoft、Amazon、百度、科大讯飞等拥有数据、算力和算法团队的大公司。
大模型改变了这种产业结构。Transformer、Speech Tokenizer、Codec、LLM 等技术逐渐融合，语音从一个相对独立的垂直技术，变成基础模型能力的一部分。Qwen3-ASR 不仅开源模型，还提供 Streaming、vLLM、微调和时间戳预测等完整工具链；VibeVoice-ASR 同样开放了模型和推理能力。一家创业公司已经不需要从零训练 ASR 和 TTS。
以前的路径是：自研 ASR → 自研 TTS → 自研语音理解 → 自建推理系统 → 做产品。现在完全可以变成：开源 Speech Model → LLM → Voice Runtime → 场景数据 → 产品。Voice AI 创业的起跑线被整体向前推了一大截。
下降的主要是”把 AI 做到能听、能说”这一层门槛。真正困难的是下一步。
二. “会听会说”和”会对话”是两件事
今天使用开源 ASR 把一句话准确转成文字，已经不是特别困难的事情。真正困难的是现实世界里的对话。
用户可能会说：”嗯……那个……你先等等，我刚才不是这个意思，我是说如果我们一次买三百套的话……”同时旁边还有其他人说话，电话里有噪声，用户中途停顿、改口甚至直接打断 AI。这时候系统面对的问题已经不只是”用户说了什么”，还有”谁在说话””他说完了吗””是在犹豫还是拒绝””我要不要接话””被打断后还要不要继续”。
这也是为什么新的 ASR 模型正在从单纯的 Speech-to-Text 向更完整的 Speech Understanding 演进。VibeVoice-ASR 已经把 ASR、Speaker Diarization 和 Timestamping 统一到一个模型中，同时利用长上下文理解整段对话，而不是简单把长音频切成很多小片段。
TTS 也是类似。过去评价 TTS 最重要的问题是”像不像真人”，现在更重要的问题是”像不像一个正在跟你交流的人”。同样一句”你确定吗？”，疑惑、惊讶、质疑、关心、反问，可以有完全不同的表达。真正优秀的 Voice AI 需要结合上下文决定语速、停顿、重音、情绪和语气。ASR、TTS 的基础能力正在快速商品化，但语音理解和表达智能没有因此商品化。
三. 实时系统才是真正的难点
Voice AI 和普通 AI Agent 最大的区别在于它工作在实时世界里。文字聊天中 AI 思考两三秒钟，用户可能可以接受。但电话或者语音对话里，如果用户说完一句话，两秒之后 AI 才回答”好的，我理解您的意思”，整个对话马上就会产生明显的机器人感。
一个 Voice Agent 真正需要优化的是整条链路：音频采集 → VAD → ASR → LLM → TTS → 网络传输 → 音频播放。最终用户感受到的，并不是某一个模型的 Benchmark，而是”我说完以后，AI 多久开始回答”。
低延迟还只是第一步，更难的是 Turn-taking——AI 到底什么时候应该说话。真人对话不是标准的 A 说完 → B 说 → B 说完 → A 说，而可能是 A 说了一半 → B”嗯”了一声 → A 继续 → B 打断 → A 停下来 → B 开始说。AI 必须实时判断用户究竟是短暂停顿、真正结束、犹豫，还是准备继续表达。说早了，打断用户；说晚了，显得反应迟钝。被用户打断之后，还要决定是停止、继续还是重新组织回答。
所以真正的 Voice AI 已经不是简单的 ASR + LLM + TTS，而是感知 + 理解 + 推理 + 表达 + Turn-taking + 实时通信的完整系统。基础模型越成熟，Voice AI 的竞争越会从单模型能力转向系统能力。
四. 壁垒正在从模型转向数据飞轮
当大家都能使用越来越强的开源模型之后，一个新的问题随之出现：如果 ASR、TTS、LLM 都差不多，凭什么你的 Voice Agent 更好？
关键答案之一是真实交互数据。一个销售 Voice Agent 每天完成数万甚至数十万次真实对话，会不断产生新的数据：什么话术更容易让用户继续交流，用户在什么情况下容易挂断，什么表达更容易产生购买意愿，用户出现哪些语言信号意味着准备拒绝，不同语速、声音、话术对最终转化率有什么影响。
这些数据最终形成对话 → 结果 → 反馈 → 优化 → 新策略 → 新对话的闭环，也就是 Voice Agent Data Flywheel。未来真正有价值的数据，不一定是训练一个 ASR 所需要的几万小时语料，而可能是”什么样的实时交互能够带来什么样的结果”。基础模型可以开源，但一家企业积累的几百万次真实用户交互、行业知识和结果反馈，很难简单复制。
五. 门槛换位置了，没有消失
如果重新看整个 Voice AI 技术栈，门槛正在发生明显迁移：
| 技术层 | 门槛变化 | 原因 |
|---|---|---|
| ASR / TTS 基础模型 | 大幅下降 | 开源模型快速追平商业 API，部署成本持续降低 |
| 语音理解与表达智能 | 仍然较高 | 多说话人、情绪、上下文理解等能力尚未商品化 |
| 实时交互系统 | 较高且仍在上升 | 低延迟、打断、Turn-taking 需要完整系统工程能力 |
| 场景数据与优化飞轮 | 越用越高 | 真实交互数据积累形成差异化，难以复制 |
| 商业落地能力 | 依然很高 | 能聊天和能帮企业完成任务之间差距依然很大 |
因此，未来 Voice AI 公司之间的竞争，很可能不会再围绕”谁有一个更大的 ASR 模型”，而会越来越围绕：谁的 AI 更像一个真正的人在交流，谁能做到更低延迟、更自然地接话和处理打断，谁能让 Voice Agent 真正完成任务而不只是聊天，谁拥有更多真实场景数据并形成持续优化闭环，以及最终谁能真正帮企业提高转化率、降低成本或者创造收入。
声网对话式 AI 引擎在这套链路上提供了从 VAD、打断检测到全链路传输的完整方案。
六. 开源是新一轮竞争的起点
做出一个 Voice AI Demo 的门槛，正在大幅下降；但做出一个真正可用、可规模化、可商业化的 Voice AI 产品，门槛依然很高。两者之间的距离正在越来越大。
今天，一个开发者可能几天就能利用开源 ASR、TTS 和 LLM 拼出一个能打电话、能聊天的 Voice Agent。但如果要求它在复杂噪声下稳定识别，在几百毫秒内响应，自然处理打断和抢话，在不同网络环境下保持稳定，并且每天服务几十万甚至上百万次对话，同时还能真正帮助企业完成销售、客服或者服务任务——这依然是一项非常复杂的系统工程。
开源模型带来的并不是”Voice AI 没有技术壁垒了”，而是一次技术壁垒的重新分配。当”让机器听懂和说话”不再是少数大厂才能掌握的能力，创业公司就可以把更多资源投入实时交互、Agent、行业场景和商业模式。Voice AI 正在从模型竞争进入系统竞争，从”谁能让 AI 开口”进入”谁能让 AI 真正完成一次高质量的人机对话”。
