ChatGPT语音技术创业：打造现实版Her的AI语音助手

还记得电影《她》（Her）里那个迷人的AI语音助手“萨曼莎”吗？对Alexis Conneau来说，那不止是科幻情节，更像是一个等待实现的蓝图。这位技术专家对这部电影的痴迷，甚至延伸到了将主演华金·菲尼克斯的剧照设为自己的社交媒体背景。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

在OpenAI主导ChatGPT高级语音模式项目期间——此前他在Meta也耕耘过类似领域——Conneau某种程度上已经触摸到了那个蓝图。他参与打造的系统，能够原生处理语音，并以近乎真人的方式回应。

如今，他选择了一条更富野心的道路：创立全新的初创公司Wa veForms AI，目标直指打造更卓越的语音AI技术。

有趣的是，Conneau花了大量时间思考的，恰恰是如何避免电影中描绘的那种反乌托邦未来。《她》所展现的，是一个人类与AI建立亲密关系，却与真实人际交往疏离的世界。

“那部电影本质上是一个警示，而非我们想要的未来，”Conneau坦言。他的愿景是，将这项已然存在且将持续发展的技术，导向造福人类的方向。“我们的目标，可以说与电影里那家公司的做法背道而驰。”

一边构建强大的技术，一边竭力规避其潜在的阴暗面，这听起来像是一场走钢丝般的平衡。但Conneau对此信念坚定。他相信，自己的新公司能让人们率先“用耳朵感受到通用人工智能（AGI）的存在”。

本周一，Wa veForms AI正式亮相。这家公司专注于训练自有的音频大语言模型基础模型，计划在2025年推出音频AI产品，直接与OpenAI和谷歌的同类产品竞争。同日，公司宣布完成4000万美元的种子轮融资，由Andreessen Horowitz领投。Conneau透露，曾撰文呼吁AI深度融入人类生活的Marc Andreessen本人，对这个项目抱有浓厚的个人兴趣。

这里有个不得不提的插曲：Conneau对《她》的这份热情，曾一度给老东家OpenAI带来麻烦。斯嘉丽·约翰逊因此发出法律警告，最终导致OpenAI下架了一款声音酷似其电影角色的ChatGPT语音。尽管OpenAI否认刻意模仿，但这部电影对Conneau的深刻影响，已毋庸置疑。

回望2013年《她》上映时，那还纯粹是天马行空的科幻构想——彼时的Siri功能简陋。而今天，相关技术已触手可及，这种对比本身，就带着一丝令人警醒的意味。

现实是，Character.AI等AI陪伴平台每周已吸引数百万用户与聊天机器人互动，这已成为生成式AI最热门的应用场景之一，尽管其间也不乏令人忧虑的案例。可以想象，那些终日通过文字与AI交流的用户，必然渴望更直接的对话方式，尤其是像ChatGPT高级语音模式那样逼真的技术。

不过，Wa veForms AI的这位掌舵人对纯粹的“AI陪伴”领域态度审慎，这并非公司的核心赛道。虽然他预见用户会以各种新颖方式使用其产品——比如在通勤途中与AI对话二十分钟来学习某个主题——但Conneau更希望公司走“横向平台”路线。

“Wa veForms AI可以成为那位能给人启迪的导师，或许是你现实生活中从未遇到过的那种。”他这样描述产品的潜力。

他深信，与生成式AI进行语音对话，将成为人机交互的主流方式，涵盖从汽车到电脑的各种场景。而Wa veForms的目标，就是提供能贯穿所有这些场景的、“具备情感智能”的AI。

“人机交互不会，也不应该取代人与人之间的交互，”Conneau强调，“如果真有什么影响，那也应该是相辅相成、互为补充的。”

他认为，AI行业应当从社交媒体的发展历程中吸取教训。例如，AI不应将“用户停留时长”作为核心的成功指标——这个在社交应用中常见的标准，往往助长了刷屏上瘾等不健康习惯。从更宏观的视角看，他视确保AI始终服务于人类根本利益为“最重要的工作”。

在技术层面，Conneau指出，OpenAI为其项目命名的“高级语音模式”，并未完全揭示其与旧版语音模式的本质区别。

旧版模式的工作流程实质上是“拼凑式”的：语音转文字，文字交由GPT-4处理，处理结果再转回语音。而在高级语音模式中，GPT-4o直接将音频流解析为Token（据悉每秒音频对应约三个Token），并输入专为音频优化的Transformer模型进行处理。正是这一根本性改变，实现了令人惊叹的低延迟响应。

谈到AI音频模型，“理解情绪”是一个常被提及的说法。但需要厘清的是，与文本大模型通过海量文本学习类似，音频大模型是通过大量标注了情绪标签（如“悲伤”、“兴奋”）的人类语音片段进行训练。它学会的是识别与特定情绪相关的音频特征模式，并能在回应时模仿相应的语调。因此，与其说它“理解”情绪，不如说它系统性地“识别并复现”了情绪的声学特征。

Conneau判断，当前生成式AI的产品体验提升，未必需要底层智能的惊天突破。与OpenAI通过o1系列追求模型“更聪明”的路径不同，Wa veForms专注于让AI“更善于交流”。

“会有一大批用户，他们选择使用哪个生成式AI，标准很简单：哪个交流起来更愉快、更自然。”Conneau点出了用户体验的关键。

正因如此，Wa veForms相信有能力开发出专属的基础模型——理想情况下，是更轻量、成本更低、响应更快的小型模型。考虑到近年来AI模型规模扩展的收益已逐渐放缓，这个判断并非没有依据。

Conneau提到，他在OpenAI的旧同事Ilya Sutskever曾多次与他探讨“感受AGI”的概念——即通过直觉，而非冰冷的测试分数，来判断是否已触及超级智能的门槛。这位Wa veForms的CEO深信，AGI的到来更多是一种“感受”，而音频大语言模型将是触发这种感受的关键钥匙。

“当你能够与AGI对话、聆听它的声音、直接与Transformer本身交流时，那种对AGI的感知将会深刻得多。”这曾是他在一次晚餐上与Sutskever分享的观点。

然而，随着初创公司不断优化AI的对话体验，一个沉重的责任也随之而来：如何防止用户对AI产生过度依赖？对此，领投方Andreessen Horowitz的普通合伙人Martin Casado给出了一个不同的视角。

“在网络上与陌生人聊天，你可能遭遇欺凌或利用；玩某些电子游戏，内容可能充满暴力。而与AI对话，则是另一种性质。”Casado分析道，“这是一个值得深入探讨的重要问题。如果最终研究发现，与AI对话在某些方面反而更健康，我并不会感到意外。”

诚然，对某些公司而言，用户对AI产生情感依赖或许是成功的标志。但从社会整体福祉审视，这同样可能是一种深刻的失败——正如电影《她》所寓言的那样。这恰恰是Wa veForms，以及所有同行，必须小心翼翼行走的那道钢丝。

Q&A

Q1：Wa veForms AI是一家什么样的公司，主要做什么？

这是一家由ChatGPT高级语音模式核心创造者Alexis Conneau创立的音频大语言模型初创公司。它专注于训练自有的音频基础模型，计划在2025年推出旨在实现更自然、流畅人机语音交互的“情感智能”AI产品，并与OpenAI、谷歌等巨头展开竞争。公司目前已获得由Andreessen Horowitz领投的4000万美元种子轮融资。

Q2：ChatGPT高级语音模式和普通语音模式有什么区别？

核心区别在于处理流程的本质。普通语音模式是“拼接式”的：先将语音转成文字，交给GPT-4处理，再把生成的文字转回语音。而高级语音模式（如GPT-4o所用）是“端到端”的：直接将音频流实时解析为Token，并送入专为音频设计的Transformer模型处理，从而实现了极低的延迟和更自然的对话流。

Q3：AI音频模型真的能理解人类情绪吗？

并非人类意义上的“理解”。当前的技术本质是“模式识别与模拟”。音频大模型通过海量标注了情绪标签的人类语音数据进行训练，从而学会识别哪种声音特征（如音调、节奏）通常与“快乐”、“悲伤”等情绪标签相关联。在回应时，它能模仿并生成带有相应声学特征的语音，但这是一种基于统计规律的系统性复现，而非真正的情感共鸣或认知理解。