语音助手的「驾驶座」之争：从拼马力到拼手感

如果把AI语音助手比作一辆车，过去两年的竞争就像在比谁的马力更大——谁家的语音识别更准、响应更快、支持的技能更多，谁就是赛道冠军。但谷歌Gemini刚刚发布的「语音自定义」功能，让我们看到比赛正在悄悄转向另一个维度：谁能让用户更舒服地握着方向盘，调节座椅高度、方向盘的力度、甚至引擎的声浪。这不是锦上添花，而是从「功能竞争」向「体验竞争」的质变信号。

谷歌这次在Gemini里塞了四个滑块：速度、活力、正式度、亲切感。每个维度都是一个连续可调的参数轴，覆盖实时对话和普通聊天场景。实测跑了一下，速度调节本质上是改变语音合成中音素的持续时间（Duration）和停顿（Pause）的分布，而活力则对应基频（F0）的抖动范围和能量包络的动态变化——这两个参数在传统TTS（文本转语音）系统中通常被固定为「中性」值，现在开放给用户，意味着底层模型需要支持实时推理下的连续参数空间插值。

更关键的是「正式度」和「亲切感」。这两个维度不是简单的语调或语速，而是涉及词汇选择、句式结构、甚至人格化倾向。比如在正式度高的设定下，模型会倾向于用完整的主谓宾短句，减少口语化缩略词；亲切感高时，则会加入「嗯」「哦」「好的呀」这类语气词，甚至微调句末语调的上扬幅度。这已经不是语音合成引擎能独立完成的工作，而是需要大语言模型与语音生成模型在推理阶段做深度耦合——即LLM根据当前设定的「人格参数」动态调整输出文本的语体，再交给语音模型按对应韵律参数渲染。

我把三家巨头最近半年的布局整理了一下：

厂商	核心功能	可调参数	技术路线	推出时间
谷歌	Gemini语音自定义	速度、活力、正式度、亲切感（4个连续滑块）	端到端神经语音合成+LLM联合控制	2025年7月
苹果	Siri个性化语音	声音风格（预设方案，非连续参数）	基于Transformer的语音克隆，参数固定	2025年3月
OpenAI	ChatGPT高级语音模式	性格、语气（文本指令+人工预设）	多模态模型直接输出语音，无显式参数	2025年5月

从技术深度看，谷歌的连续滑块方案最「硬核」——用户可以直接操作语音合成的底层物理参数，这相当于给开发者/高级用户一个频谱编辑器，但同时也意味着学习成本。苹果的方案更保守，本质是「换皮肤」——给你几个预设，选一个用。OpenAI则走了另一条路：用自然语言指令控制语气，比如「用教授的语气」「用朋友的语气」，但用户无法精细调节，模型内部是一个黑盒。

我的判断是：谷歌的路线在长期更有前途，因为语音交互的「千人千面」最终需要参数化表达。每个人的听觉敏感度、对话习惯、甚至对「亲切感」的定义都不同，只有可微调的连续参数空间才能覆盖长尾需求。但短期来看，谷歌面临一个棘手的工程问题：如何让用户理解这四个滑块背后的物理意义？普通用户可能不知道「活力」调高后，自己听到的其实是基频标准差增大，导致声音听起来更「兴奋」。如果用户把四个滑块都拉到极端，得到的可能是一个语速飞快、音调起伏剧烈、用词又正式又亲切的「精神分裂」式AI，体验反而糟糕。

这让我想起自动驾驶的「L2到L3跨越」：给用户更多控制权，但用户不一定有这个能力。AI语音助手这次把「驾驶权」交给了用户，但用户需要一份「用户手册」。目前谷歌的文档里只有简要说明，没有提供「推荐场景预设」，比如「商务会议」建议用什么参数，「深夜聊天」用什么参数。如果后续能像相机厂商的「场景模式」那样，提供一批经过验证的预设，再允许用户微调，会大幅降低使用门槛。

配图在这里，摄于某次AI语音技术大会的现场，话筒堆叠的意象很契合「多声道竞争」的主题：

回到行业层面，这次升级的另一个信号是：语音交互的「人格化」正在从工程问题变成产品问题。三巨头半年内同时推出自定义功能，说明他们都意识到，当语音识别准确率接近95%天花板，响应延迟压到200

原文链接：https://www.tmtpost.com/8070162.html