GPT-4o 最关键功能本周上线，语音交互的时代终于要来了

1,015 0 0

文章摘要

Voice Agent作为下一代人机交互界面，以其与人类自然沟通方式的一致性，提供了一种直观且低能耗的交互体验。与传统文本交互相比，语音交互更适合简短、即时的信息交流，且在某些场景下，Voice Agent可独立完成交流任务，无需人类参与。GPT-4o作为首个实现端到端voice-in, voice-out的大模型，以其低延迟、高智能特点，为交互形态带来变革，拓展了应用场景的想象空间。

本研究根据不同场景对实时性、准确性、创造性的不同要求，构建了分析Voice Agent能力禀赋框架，识别出值得关注的创业及投资机会。短期内，看好开发者工具和面向垂直领域的Voice Agent workflow；长期则期待消费者端「Killer app」的出现。

Voice Agent主要落地场景通过象限分类标准划分为四类：第一象限（右上）的陪伴、心理疗愈等场景，需要实时回答，对AI交流内容的容错率和自由度较高；第二象限（左上）的call center、销售、客服、教育等场景，同时要求实时回答和高准确度，落地难度最大；第三象限（左下）的有声书、短视频配音、模板化外呼电话等场景，可以离线完成，要求voice agent按台本发挥；第四象限（右下）的领域，如音乐生成、npc语音生成等，对创意要求高，但可离线生成。

针对不同目标客户，将创业方向分为To Developer、To Enterprise、To Customer三个类型。To Developer的创业公司主要面向开发者提供API或开发平台，短期价值高，长期价值不明确，可能被端到端大模型颠覆。To Enterprise的创业公司面向企业用户，提供垂直领域设计的AI phone agent或企业端的无代码平台，长期因市场fragmented，只能在某一垂直行业占较大份额。To Customer的创业公司面向消费者，短期内商业化价值尚不明确，长期可能出现AI-native killer app。

To Developer领域的创业机会来自搭建voice agent的核心要素。端到端多模态模型如GPT-4o具有惊艳效果，但企业用例落地面临可控性降低的挑战。关键问题包括voice agent在企业用例的落地、GPT-4o API的开放时间和形式、端到端模型如何改变voice agent工作流。To B领域的语音是进入核心客户行为的自然入口，垂直领域存在市场机会，To B场景下的垂直解决方案难被端到端模型颠覆。To C领域的voice agent作为AI时代的交互界面，长期价值高，可能出现下一个AI-native killer app。

值得关注的公司包括11labs、Hume AI、LiveKit、Bland AI、Retell AI等。11labs作为海外独角兽，是TTS领域的佼佼者；Hume AI是相对成熟的emotion engine；LiveKit提供GPT-4o RTC方案；Bland AI和Retell AI分别在Full stack平台和中间件层提供解决方案。这些公司在voice agent工作流的不同模块中发挥重要作用，推动行业发展。