语音模型

十月十五日陆家嘴财经早餐和 Daily AI Thread 同时提到，SpaceX 旗下 AI 业务 SpaceXAI（更名后的 xAI）发布新一代语音模型 Grok Voice 3.0。在 Artificial Analysis 的 Speech-to-Speech 指数上它拿 86.9 分排第一，OpenAI GPT-Live-1 是 83.2，谷歌 Gemini 3.8 Live 是 82.6。但在带口音和背景噪音的 Tau-Voice 测试里，OpenAI 以 74.5% 对 71.6% 反超。定价每分钟 0.08 美元，SpaceX 称它已能自主解决星链约 70% 的客服来电，每天约 2 万通。 语音榜为什么总分和场景分打架？ Speech-to-Speech 指数是综合分，覆盖自然度、延迟、指令跟随、端到端对话。Grok 总分高说明它在通用通话里更像人、反应更快。但 Tau-Voice 测的是真实呼叫中心噪音——背景人声、口音、电话线路压缩——OpenAI 反超，说明 OpenAI 在训练数据里堆了更多脏语音。企业买语音模型不能看总分，要看自己的真实通话分布：干净的会议室通话选 Grok，嘈杂的外卖和航司客服选 OpenAI。 每天 2 万通自己解决七成是什么概念？ 2 万通一天、70% 自主解决，意味着每天约 1.4 万通不需要人工介入。按传统呼叫中心每通人工成本 5 美元算，一天省 7 万美元，一年省 2500 万美元——这还只是星链一个场景。更关键的是「自主解决」不是 FAQ 查知识库，是端到端语音模型听懂问题、查后台、给方案、确认挂断。这是语音智能体第一次在生产环境跑出可量化的 ROI，而不是 demo。 ...

引言 语音AI在2026年迎来了质的飞跃。语音识别准确率已超越人类速记员，语音合成的自然度达到以假乱真的水平，实时语音对话的延迟降至200ms以内。本文将全面对比当前主流的语音AI模型。 语音识别（ASR） 主流模型 模型 厂商 WER(英文) WER(中文) 特点 Whisper 4 OpenAI 2.1% 3.5% 综合最强 Gemini Audio Google 3.5% 4.2% 多语言 Paraformer v3 阿里 - 2.8% 中文最佳 SenseVoice v3 阿里 3.2% 3.1% 情感识别 WeNet 3 出门问问 4.5% 4.1% 开源 Whisper 3 OpenAI 4.8% 6.2% 开源经典 中文ASR对比 在真实场景（会议、电话、播客）的中文识别： Paraformer v3: WER 2.8% — 中文ASR之王，对方言和口音适应性强 SenseVoice v3: WER 3.1% — 能同时识别语音内容情感 Whisper 4: WER 3.5% — 综合能力强 WeNet 3: WER 4.1% — 开源最佳 实时性对比 模型 延迟(ms) 流式支持 适用场景 Paraformer v3 150 ✓ 实时字幕 Whisper 4 streaming 300 ✓ 会议记录 Gemini Audio 200 ✓ 实时对话 SenseVoice v3 180 ✓ 情感分析 方言与口音 在方言识别上： ...