字节阿里齐头并进，语音赛道掀起AI产品革命

探索字节与阿里语音领域的版图，每一片区域都标注着“语音”的力量。

近期，在阿里通义千问团队推出翻译模型Qwen-MT的当天，字节跳动旗下的火山引擎也发布了其豆包·同声传译模型 Seed LiveInterpret 2.0，该模型在多个Benchmark测试中取得了显著领先。虽然模型的首版发布在去年已经进行，但今年再次升级，显示出字节的决心。

时隔一年，字节再次推出更新后的模型，引发了人们对字节意图的猜想。结合时间线，字节豆包团队在2024年推出了旗舰语音生成基础模型Seed-TTS，今年1月发布了豆包Realtime Voice Model（首个端到端语音理解与生成模型），4月开源了中英双语TTS模型MegaTTS3，并在一个月前发布了豆包播客语音模型。这一系列动作显示了字节在语音能力上的重大进展。

与此同时，阿里也推出了新一代端到端语音翻译大模型Gummy，进一步增强了其翻译能力。国内外众多企业如阿里巴巴、字节、科大讯飞、Grok、OpenAI、Meta等都在语音领域投入巨资。这些努力背后，是行业对新一代“语义交互”方式的竞争。

吸引众多AI厂商加码语音模型的背后，是行业对新一代“语义交互”方式的竞争。

一旦突破“实时语音+实时翻译+实时输出”的技术体验瓶颈，将直接开启AI产品的商业化潜力。例如，AI硬件正迎来新一代需求浪潮，尤其是国内“百镜大战”中，AI眼镜成为热门产品。字节和阿里纷纷推出自家的AI眼镜，但语音交互的完善是普及的关键。

从这一角度看，字节和阿里对语音模型的投入，为自家AI眼镜的普及铺路。那么，语音类赛道究竟在发生什么？豆包同传2.0表现如何？让我们通过实际体验来探讨。

同声传译虽然已不新鲜，但此次模型升级引起了广泛关注。该模型能以极低的延迟和流畅的效果输出与用户音色一致的英语翻译。例如，在WAIC2025上进行的AI教父Geoffrey Hinton的演讲中，该模型表现出色。

通过测试发现，该模型对于用户输入的自然语言短句识别能力强且迅速。即便在简短的间隔中，模型也能准确识别并根据语境判断是否需要重复主语。此外，模型在实时克隆用户音色方面虽略显稚嫩，但也带来有趣的交互体验。

目前该模型主要支持中英文对话，与Meta的SeamlessStreaming等跨语种模型相比仍有差距。不过，在用户体验上已接近Meta的水平。字节的基准测试成绩显示，Streamlessstreaming仍领先，但SeedLiveInterpret 2.0表现不俗，中英互译平均翻译质量的人类评分达到74.8（满分100）。

除了字节和阿里，国内外的基础大模型厂商都在关注语音模型的发展。然而，“实时语音+实时翻译+实时输出”的挑战仍大。例如，阿里巴巴的Gummy模型虽然无法实时语音复刻，但能实现流式生成语音识别与翻译结果。

“卖体验”比“卖翻译功能”更吸引人。

同传翻译模型2.0背后，大家的关注点更多在于语音类模型的潜力而非垂直翻译能力。如果放眼市场，会发现众多选手正在从各个角度撬动用户应用场景。例如MiniMax-Speech系列模型，特别是Speech-02模型，号称“全球第一的TTS语音模型”。

OpenAI的高级语音模式也备受关注。尽管其尚未将手伸向明确的应用场景，但已投资初创企业如Speak，并融入自身语音技术模型。这些公司的估值已突破10亿美元。

Elon Musk也早早布局。他旗下的Grok模型最近新增了“伴侣模式”，上线了可互动的3D虚拟AI少女形象Ani。在日本网友中迅速走红，被戏称为“AI女友”。

C

多方动向背后，说明业界对实时语音在AI产品商业化中的价值形成了共识。

首先回顾AI产品的发展轨迹，构建从“语音到语音”的闭环体验在过去两年被公认为下一个关键目标。过去的AI产品更多停留在文字和图像处理层面，但在人类日常交流中，语音是最自然、最高效的沟通方式。

各大厂抢攻语音模型，正是为了抢占这一未来的蓝海市场。第一步就是抢占入口。

从过去一年的“Chatbot”入口界面争夺战中可以看出：单纯文字对话的用户体验每上升1分，背后可能是100分的模型能力提升和10000分的算力、算法、架构的投入。

因为语音交互不像搜索引擎那样存在绝对入口，用户可能从任何一个点开始接触并习惯这种交互方式。

这场语音赛道的集体押注实际上是各大厂商对未来AI应用场景的一次集体下注。

从进入2025年以来，AI硬件产品进入“井喷式领域”。各种形态的智能设备如雨后春笋般涌现。

从最原初的纯刚需来看跨国出海或会议场景是始终绕不过的一关。各种翻译企业从机器翻译、神经网络翻译再到AI翻译已经走过一关又一关但进展缓慢。相比之下如果实时语音同传成熟化这种体验的商业价值是巨大的。

无论是硬需求还是满足用户对于AI未来交互体验的“软需求”都需要一个合适的载体——AI硬件。