全世界都在讲 AI 话｜AI 器物志
内容提要
智能手机主导数字生态，但AI需持续感知世界，语音交互正成为新入口。耳机、智能眼镜及独立硬件（如OpenAI Codex Micro）探索语音控制，但面临环境噪音、社交压力和成本问题。未来语音输入或转向无声识别，同时token消耗增加，厂商需平衡效率与成本，推动AI自然融入日常。
延伸解读
耳机评价标准正在改变
文章指出，在AI语音交互成为主流使用场景后，耳机的评价标准正在从音质、延迟和降噪，转向人声降噪的强度、准确性和分离能力。例如，AirPods因强调声音自然度，在多人环境中容易采集周围人声，导致AI提示词“夹生”，影响回答准确性；而国产品牌TWS耳机采用更激进的人声隔离策略，在AI语音场景下准确率更高。这意味着耳机麦克风正从通话配件转变为AI控制器，消费者选购耳机时需关注其在AI交互中的表现。
智能眼镜的绑定困境
文章提到，智能眼镜虽被视为语音AI交互的代表性产品，但面临与品牌深度绑定的问题。以Meta Ray-Ban为例，它强制用户连接Meta AI，不能作为蓝牙音频设备直接唤醒Siri或其他助手。这种绑定限制了用户在模型选择、数据迁移和跨设备切换方面的自由度，使得智能眼镜难以成为主流产品。此外，带摄像头的眼镜在公共场合可能引发社交压力，且其麦克风阵列和扬声器效果不一定优于TWS耳机。
语音交互的隐性成本
文章指出，语音交互虽然便利，但隐性成本在上升。传统STT工具只对转换后的文本计费，而Typeless等文本清洗工具需额外调用模型，增加token消耗。多模态模型进入原生音频阶段后，一个工作阶段的token消耗量可能是纯文本的10倍或更高。长时间实时对话中，用户难以控制信息长度，模型需持续处理上下文，导致成本增加。厂商鼓励语音交互，既提升体验，也推高token消耗，成为行业“阳谋”。
Q&A
为什么说智能手机不适合作为AI的主要交互入口？
智能手机从设计之初就是为‘人盯着它’而生的，其全部逻辑止于屏幕。而AI需要持续感知物理世界，见你所见，听你所闻，随时在场，而非等你解锁屏幕才醒来。因此，当AI成为基础能力，它需要从屏幕中破壳而出，寻找新的形态。
语音输入相比键盘打字有哪些优势？
语音输入允许人们一边输出，一边思考、补充和修正，更接近思维原本发生的方式；不需要稳定的桌面环境，不要求用户持续低头，也不需要优秀的文字表达能力。对于没有受过系统写作训练的普通人来说，语音更接近‘真正的自然交互’。
用TWS耳机加手机实现AI语音交互的瓶颈是什么？
瓶颈不在手机，而在麦克风对环境人声的处理。例如AirPods的麦克风策略强调声音自然度，不愿意给人声降噪，在多人环境中容易将周围说话的声音一并采集并转成文字，导致提示词‘夹生’，AI回答不相关。相比之下，国产品牌TWS耳机采用更激进的人声隔离策略，牺牲一些通透模式自然度，换来更好的准确率。
智能眼镜作为语音AI交互产品存在哪些问题？
智能眼镜的问题包括：带摄像头的眼镜持续朝向别人时，对方难以判断是否在拍摄或收音，制造社交压力；受限于体积和续航，麦克风阵列、通话降噪和扬声器效果不一定比TWS耳机好；销售模式中往往与品牌客户端和云端模型深度绑定，用户缺乏自由度，例如Meta Ray-Ban强制连接Meta AI，不能作为蓝牙音频设备唤醒其他助手。
OpenAI的Codex Micro在语音交互设计上有什么象征意义？
Codex Micro是OpenAI与Work Louder联名的外置控制台，专门设置了用于语音输入的push-to-talk（PTT）按键。尽管它本身没有麦克风，需要调用电脑连接的其他收音设备，但这种设计具有象征意义：语音输入不再只是UI中的一个小图标，而开始获得类似鼠标右键、手机拍照键或键盘指纹一样的稳定物理位置，承认了语音交互的高频属性。
未来的语音输入技术有哪些发展方向？
未来的语音输入可能不需要真正发出声音，而是演化为对人类发声动作、口型乃至面部肌肉活动的直接识别。例如，有研究通过抵在下颌的超声波探头读取舌头运动，再用机器学习解码为语言；也有研究尝试把传感器装进眼镜或头显，通过面颊、颧骨和口部的细微运动识别无声指令，如苹果收购的Q.ai就是研究这个方向的。
为什么语音交互会导致token消耗量增加？
传统STT工具只负责把声音转换成文字，计费只基于转换后的文本token；而Typeless之类的‘文本清洗’工具还要额外调用模型对口语进行整理和改写，再发送给另一个AI，叠加了一层token消耗。当多模态模型进入‘原生音频’阶段后，需要持续处理声音、上下文、语气、打断和输出，一个工作阶段内的token消耗量往往是纯文本的10倍或更高。
AI厂商为什么鼓励用户使用语音交互？
AI厂商鼓励语音交互一方面是因为它好处多多，另一方面更是将token消耗量推上一个新台阶，没有厂商会和收费过不去。语音交互越自然，背后的计算过程越复杂，用户最终的消费成本也就更高，这几乎成为AI厂商的一种‘阳谋’。
