Related articles
7 月的某一天，一个人走在山路上，手机揣在口袋里，屏幕没有亮过。他用语音给 ChatGPT 布置了一个任务：整理上个月的产品数据，生成一份董事会报告。AI 在后台拉取数据、生成图表、写完全文，然后读给他听。他口述修改意见，三个来回，定稿。全程 40 分钟，屏幕使用时间为零。
据公开报道，一位创业者曾在 LinkedIn 上记录过类似经历，一次两小时的步行中，他用纯语音交互写完了整个网站的文案。
当大多数人还在争论大模型参数高低的时候，人机交互的方式正在发生一次结构性变化。屏幕正在从 「操作的入口」 退化为 「结果的展示窗口」，语音正在从 「辅助输入」 升级为 「计算的主交互通道」。
GPT-Live：全双工语音的技术突破
喊一声 「Hey Siri」 设闹钟，问一句 「小爱同学」 放首歌。过去十年，人们习惯的 「语音助手」 本质上是一问一答的单次服务。你说一句，它做一件事，交互结束。它不记得上下文，不会在你沉默后主动推进任务，更不会在后台持续运行一段工作流。
2026 年的 ChatGPT Voice 改变了这种交流方式。全双工语音架构意味着 AI 可以同时听和说，可以被随时打断，可以在你思考的间隙等待而不是超时退出。更重要的是，它支持持续后台执行。你口述一个复杂任务，AI 在云端拆解、执行、等待中间结果、汇总，最后汇报。期间你可以继续走路、开车、做咖啡，不需要盯着进度条。
这个变化放在具体场景里，对比足够直观。过去，你要完成一份报告，需要打开电脑、登录系统、打开浏览器和 Excel、筛选数据、打开 PPT、粘贴图表、写文字、排版、导出。一套流程下来，你实际在 「操作工具」 而非 「思考内容」。现在，你只需要口述任务，AI 在云端执行工具链，汇报结果，你口述修改，定稿。屏幕是可选项，不是必选项。
支撑这一变化的，是 7 月 OpenAI 发布的两项关键技术更新。
在全双工语音赛道上，OpenAI 并非先行者，谷歌 Gemini Live 和字节跳动豆包此前已实现实时语音对话。GPT-Live 的意义在于，它将语音能力与 Codex Agent 工作流深度绑定，让语音从 「聊天」 升级为 「指挥」。
OpenAI 发布的新一代语音模型 GPT-Live，基于全双工架构构建，每秒可以做出多次交互决策，实现了更自然的对话节奏，让交流更接近真人对话。同月，OpenAI 将 GPT-Live 语音能力集成到 ChatGPT 桌面应用中，用户可以通过语音直接控制桌面端的 Codex 编程 Agent 和 ChatGPT Work 工作流 Agent。你对着电脑说一句话，AI 就能理解意图、调用工具、执行任务。
从使用规模看，据 OpenAI 官方数据，目前每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能，应用场景涵盖免提日常帮助、语言练习、通勤途中的闲聊陪伴。其 2026 年发表的论文 《The Shift to Agentic AI: Evidence from Codex》 披露了内部使用数据，从 2025 年 11 月到 2026 年 6 月的半年间，OpenAI 员工使用 Codex 的中位数 token 消耗量呈现爆发式增长。97.9% 的员工已在日常工作中使用 Agent 模式。这家公司自己的员工，正在从 「跟 AI 聊天」 切换到 「让 AI 干活」。
交互范式每一次迭代都遵循一条规律，交互成本的降低会创造新的使用场景，而新场景的总量远超旧场景。键鼠让专业工作数字化，创造了电子表格和代码编辑器；触屏让数字交互随身化，创造了短视频、移动支付和打车软件。语音让计算变成无感化的背景服务。写文档、盯数据、查信息，甚至做创作，这些场景叠加在一起，总量将远超 「打开一个 App 完成一件事」 的手机范式。
问题是，谁来决定语音入口的归属？
Altman 的硬件棋局
OpenAI 做硬件这件事，如果只看表面，一家模型公司跑去造耳机，确实容易让人困惑。但把时间线拉长看，Altman 在执行一条清晰的商业路径，而且这条路径有迹可循。
2001 年，苹果发布了 iPod。在那之前，苹果是一家电脑公司，iPod 是一个音乐播放器，看起来像 「不务正业」。iPod 的真正使命不是卖设备，而是培育用户用 iTunes 管理音乐的习惯。等到 2007 年 iPhone 发布时，用户已经习惯了苹果的软件生态，硬件只是水到渠成的最后一块拼图。iPod 用了 6 年才等到 iPhone 问世。
Altman 的路径有相似之处，但差异同样明显。从 ChatGPT Voice 上线到 Sweet Pea 量产，不到两年，节奏远快于苹果。更重要的是，2026 年的市场环境与 2001 年截然不同。数十亿台智能手机已经在用户口袋里，Sweet Pea 面对的是一个设备饱和的市场，它要做的是在已有生态中插入一个新的交互层。
三步走的逻辑是清晰的。
第一步，用 ChatGPT Voice 培育语音交互习惯。从 2024 年 Advanced Voice Mode 上线，到 2025 年 11 月语音与文本界面融合，到 7 月 GPT-Live 发布，每一步都在降低用户从 「打字」 切换到 「说话」 的心理门槛。截至 7 月，ChatGPT 的周活跃用户已接近 10 亿，是全球增长最快的互联网应用之一。不过，增速相较年初有所放缓。Gemini Live 的分流、GPT-5 发布后的口碑争议、Claude 在编程场景的蚕食，都在影响着增长曲线。
第二步，锁定工业设计能力。2025 年 5 月，OpenAI 以约 65 亿美元收购了 io Products，由 Jony Ive 联合创立的 AI 硬件公司，55 名员工。Ive 主导设计了苹果从 iMac 到 iPhone、iPad、AirPods 的几乎每一代标志性产品，他懂得如何把消费电子产品做得让人爱不释手。这是 AI 模型厂商自己很难具备的能力。
第三步，用硬件完成生态闭环。2026 年下半年，内部代号 「Sweet Pea」 的 AI 耳机将面世，由 LoveFrom 设计工作室操刀，采用耳后挂戴或开放式音频结构，强调 「技术隐形」 与全天候佩戴。
据供应链消息，首年产量目标在 4000 万到 5000 万台之间，由富士康代工。作为参照，iPhone 上市首年实际销量约 610 万台。一个是产能规划，一个是市场出货，口径不同，但量级差距仍能说明 OpenAI 对这个品类的押注力度。不过，受存储芯片涨价影响，首批产品可能缩减为基础耳机形态，完整算力版本或将延后。
AI 硬件赛道不乏前车之鉴。Humane AI Pin 售价 699 美元，上市后因交互反人类 （以手势操作替代触控，学习成本极高）、续航崩盘 （数小时一充）、核心功能依赖手机热点等问题迅速遇冷，最终被惠普收购。Rabbit R1 同样因响应延迟、功能与手机 App 高度重叠、缺乏独立生态而后续乏力。
这两款产品的共同教训是，硬件形态和 AI 能力之间需要找到平衡，单靠一个新设备无法创造新交互习惯。Sweet Pea 能否打破这一局面，取决于它能否回答几个问题：能否在不深度依赖手机系统权限的前提下提供完整体验？续航和佩戴舒适度能否支撑全天候使用？语音交互是否足够好，好到让用户愿意从已经习惯的手机屏幕上移开注意力？这些问题目前没有答案。
7 月，OpenAI 还推出了 Codex Micro 联名键盘，一款 13 键可编程机械键盘，售价 230 美元，定位为 「智能体工作指挥中心」。虽然面向开发者，但它释放了一个信号，OpenAI 正在从纯软件公司转向 「软件加硬件加生态」 的全栈计算平台。
真正的对手
OpenAI 如果把硬件、云端 Agent 和 ChatGPT 订阅捆绑在一起，意图构建一条完整的商业链条。但语音入口之争的真正对手，不在端侧，而在系统层。
Google 有搜索引擎、Android 系统、Pixel 硬件和 Gemini 的全栈能力。Gemini Live 已率先实现实时语音对话。更关键的是，Android 设备全球月活超过 30 亿台，Google 有能力把语音交互能力直接植入系统层，不需要另造硬件。
Apple 掌握着 AirPods，全球 TWS 耳机市场份额第一的产品，加上 iOS 生态和自研芯片。苹果一直在推进 Siri 的大模型化重构，虽然进度落后于 OpenAI，但一旦 AirPods 配上真正能干的 Siri，OpenAI 的 Sweet Pea 面对的将是一个已经占据用户耳朵的对手。
这里有一个 OpenAI 绕不开的结构性短板，它没有自己的操作系统。苹果用 iPhone 把用户锁进 iOS 生态，靠的是操作系统、App Store、芯片和硬件一体化控制力。OpenAI 目前只有模型和硬件，缺了中间最关键的一层。Sweet Pea 要真正发挥作用，需要深度调用智能手机的系统级权限，包括日程、通讯录、智能家居控制，乃至微信这样的第三方应用。
而这些权限，分别掌握在 Apple 和 Google 手中。如果不能深度调用这些权限，Sweet Pea 的体验会大打折扣。这正是 Humane AI Pin 和 Rabbit R1 踩过的坑。
换言之，OpenAI 的硬件闭环，是建在别人地基上的。
范式切换意味着产业链重排。当一个首年产能目标近 5000 万台的新品类诞生，且底层逻辑是 「算力在云端、交互在语音、感知在端侧」，至少三个方向会出现明确机会。
最关键的是端侧语音硬件。要做到 「永远在听但从不误触发」，需要的不仅是一颗麦克风，而是一整条信号处理链路：多麦克风阵列、波束成形、自适应降噪、回声消除、语音活动检测。在此基础上，还需要一颗低功耗离线语音预处理芯片，能在毫瓦级功耗下完成唤醒词检测和基础指令识别。
这是端侧 AI 芯片公司的机会窗口。科大讯飞的 AIUI 平台已经把语音交互跑到了 100MHz 主频、140KB 存储的 RTOS 设备上，降噪耳机、智能眼镜，甚至一个领夹大小的设备，都能承载完整的语音前端处理能力。
另一个方向是多设备协同与跨端调度。语音全域交互的隐含前提是，你不会只用一个设备。你可能戴着耳机跟 AI 说话，AI 需要把生成的文件发到笔记本上，把图表投到最近的屏幕上，把提醒同步到手表上。这需要 AI 在云端判断当前的最佳输出通道，自动路由。这个方向在架构层面不直接面向消费者，但它是整个语音计算生态的底层基础设施。
还有一块是常驻 Agent 后台，也就是个人云端 AI 工作站。
全双工语音交互如果只是 「更快地回答你的问题」，那它最多取代搜索引擎。真正的商业价值在于让 AI 在你没看屏幕的时候持续工作。你早上口述三个任务，然后去开会，AI 在云端一个接一个执行，开完会回来，三件事都做完了。这背后需要的是一个常驻 Agent 后台，持久化的云端工作环境，保留文件系统状态、浏览器会话、工具链和调度系统。Manus 等产品已在这一方向探索。
中国企业的路径选择
中国在端侧语音 AI 上的积累，走了一条和 OpenAI 几乎正交的路径。
科大讯飞做了 27 年语音技术，在中文语音领域有着难以复制的数据壁垒。7 月，讯飞发布了 AIUI 多模态交互平台升级，融合语音、视觉、Agent 与具身智能，支持 100 多种拟人音色，覆盖 100MHz 主频、140KB 存储的 RTOS 极限低功耗方案。其策略是把 AI 语音能力植入已有的硬件，比如智能音箱、汽车座舱、教育平板，而不是另起炉灶做新硬件。这个策略起量快、成本低、不需要教育市场，但碎片化严重，体验参差不齐。
面壁智能在端侧模型领域同样进展迅速，其 MiniCPM 系列开源模型在 GitHub 和 Hugging Face 上的累计下载量已突破 3800 万 （据面壁智能官方数据，截至 2026 年 7 月）。5 月 25 日，面壁发布了 MiniCPM5-1B 端侧文本大模型；7 月 WAIC 大会上，又发布了参数更大的 MiniCPM5-2B 以及一个 VLA 具身模型。以豆包 App 月活计，字节跳动在端侧 AI 用户规模上居国内前列；小米的 AIoT 端侧设备搭载量全球领先。
还有一种路径介于纯云端和纯端侧之间。WAIC 期间，腾讯云 WorkBuddy 与李未可科技宣布战略生态合作，发布首款接入 WorkBuddy 的 X-AI 记忆眼镜。眼镜整机主体 26 克，搭载多麦克风阵列与自研 WakeeMemory OS，能自动识别会议、商务拜访等场景并启停录音，将音频整理为人物、事件、时间、任务等结构化信息，再同步至 WorkBuddy 云端，由后者生成文稿、PPT 和日程安排，完成任务跟进与跨系统流转。这条从感知到记忆再到执行的链路，把硬件入口和云端 Agent 连在一起，既不像 OpenAI 那样从零造新硬件品类，也不像纯端侧方案那样受限于设备算力。6 月腾讯云发布 Buddy AI 共创生态计划后，这是硬件生态首个落地成果。
中国企业的打法并不唯一。讯飞和面壁走端侧路线，让模型直接在设备上跑，用存量设备规模对冲新硬件品类的不确定性。WorkBuddy 与李未可的合作走的是中间路线，硬件负责感知和记忆，云端 Agent 负责执行和交付。端侧路线的优势在隐私保护和离线可用性，在中国数据合规框架下具有适配性。中间路线的优势在算力不受限，能完成更复杂的工作流，但依赖网络连接。
但端侧路线的短板同样明显。模型能力的天花板受限于设备算力，很难与云端大模型正面竞争；跨设备协同缺乏统一标准，不同厂商的设备之间难以无缝衔接；生态碎片化导致开发者适配成本高企。这些短板如果持续存在，所谓 「正交路径」 的竞争力就需要重新审视。
全双工语音交互面临一个共同的结构性风险，它在物理上等效于 「一个永远开着的麦克风」。中国 《个人信息保护法》 对生物识别信息和声纹数据的采集有着严格的单独同意要求。GDPR 将语音生物识别列为 「特殊类别数据」，违规罚款上限为全球营收的 4%。这些规则表面上是法律问题，实质上决定的是产品形态。
一个需要你每次使用前手动授权的 「全时 AI 助理」，等于废掉了 「全时」 二字。谁能设计出一套既合规又无感的用户同意机制，比如声纹本地识别不上传、差分隐私处理后的模糊化音频、硬件级的物理麦克风开关，谁就可能在这个赛道上拿到最大的一张合规牌照。
计算机的历史，是一部交互成本不断降低的历史。从打孔纸带到命令行，从图形界面到多点触控，现在轮到声音。每一次交互成本大幅下降，旧秩序中最大的公司都觉得自己准备好了，但没有一家真正准备好过。2007 年 iPhone 发布时，Nokia 还是全球手机霸主；BlackBerry 直到 2013 年仍在坚持全键盘设计。
就像今天走在山路上完成报告的那个人一样，我们正在经历的，是一个 「屏幕可选项化」 的起点。真正的变量不是语音能不能取代屏幕。屏幕不会消失，只是不再是唯一选项。变量在于，当语音成为计算的新入口之一，谁占据了这个入口，谁就在下一代计算的版图中拿到了一个关键位置。
（本文首发钛媒体 APP，作者 | 硅谷 Tech-news，编辑 | 焦燕）
