本周六上午10:00，与 ComputingPlay创始人陈良君、喜马拉雅珠峰AI前产品负责人吕睿韬探讨AI语音应用2025最新趋势！

扫描上方二维码即可报名

2025年，AI语音交互技术正处于关键转折点。据IDC预计，到2030年全球智能语音服务市场规模将达731.6亿美元，年复合增长率约27%。从技术分类看，核心可分为语音识别（ASR）、语音合成（TTS）及新兴的语音到语音（STS）三大方向，覆盖智能客服、虚拟助手、内容创作等多元场景。可以看到多模态融合成为显著趋势，语音与文本、视觉的跨域交互日益成熟，低延迟实时响应与情感化表达突破传统瓶颈，推动 AI 语音从工具属性向自然对话体验升级。

ASR（自动语音识别）技术的进展是记录类语音产品的爆发的基础。ASR核心在于语音转写能力，让机器能实时将语音流转化为文字信息。OpenAI于2022年开源了的通用语音识别模型Whisper，开发者无需从头开始构建复杂的语音识别系统，就能够快速基于其开发各种语音识别相关应用。模型厂商在此方向上不断发力。7月18日，NVIDIA刚刚发布了Canary-Qwen-2.5B，这是一款突破性的自动语音识别（ASR）和语言模型(LLM)混合模型，以创纪录的5.63%词错率(WER)荣登Hugging Face Open ASR排行榜榜首。

TTS（文本转语音技术）主要关注数字人配音、NPC配音、短视频配音（VTS）以及音乐生成等应用，近年来取得了重要突破。ElevenLabs 推出的 Pro 版本支持实时情感参数调节，用户可通过滑块精确控制语音的 “悲伤度”“兴奋度” 等维度，在虚拟主播直播中端到端延迟稳定在 200ms内。谷歌 Gemini 1.5 模型首创“语音 - 视觉 - 文本”协同生成能力，用户输入“夕阳下的海边漫步”文本时，系统同步生成带海浪背景音的舒缓语音与动态视觉画面，沉浸感评分达 4.8/5。播客的生产逻辑也正迎来AI重构，多款基于TTS的AI播客产品涌现。代表性产品如豆包推出的“AI 播客”功能，口语化表达使听众留存率提升 22%。

端到端语音交互技术近年来取得了显著进展，成为推动语音交互领域变革的关键力量。核心是语音交互中传统的ASR、NLP、TTS 等模块分步处理模式进化为端到端架构。例如百度推出的行业首个基于 Cross - Attention 的跨模态语音语言大模型，将语音识别的 Encoder 与文本 Decoder 共享参数，通过创新的 MoE 结构和 EALLQA 技术，大幅降低了 KV cache，使得语音合成延迟显著降低，对话更加自然流畅。

语音交互正成为下一代智能体验的核心入口，重塑着人机互动的底层逻辑。从产业生态来看，价值已充分显现，在各类场景中释放出强劲动能。2025年上半年，硅谷出现了诸多令人赞叹的语音技术为核心变量的创业公司：Wispr Flow通过优化“零编辑率”提升语音转文本的准确性，6月完成3000万美元A轮融资；Elevenlabs提供高逼真度的语音生成解决方案，1月完成1.8亿美元C轮融资；Granola通过笔记和录音结合的产品设计，实现会议内容自动整理和知识管理，5月获得4300万美元B轮融资；Siro则聚焦AI销售教练领域，通过实时转录和数据分析提升销售团队效率，5月完成5000万美元B轮融资。

模型时代，随着技术不断迭代与场景持续深耕，Voice First的产品理念将为智能体验带来更为丰富的可能。7月26日，本周六上午10:00，热爱创新的嘉程资本开启嘉程创业流水席第268席！我们邀请了ComputingPlay创始人陈良君、喜马拉雅珠峰AI前产品负责人吕睿韬一起深度探讨Voice First产品2025的最新趋势！欢迎关注Voice First上下游的从业者、创业者、投资人和行业专家一起参加！

再次邀请上车！

嘉程资本Next Capital是一家专注科技领域的早期投资基金，作为创新者的第一笔钱，我们极度信仰科技驱动的行业创新，与极具潜力的未来科技领袖共同开启未来。