半秒延迟、假装请示领导的AI谈判员：语音AI悄悄接起了普通人的电话

一家叫Happy Robot的语音AI公司，有个设计特别妙。它替货运经纪人给卡车司机打电话谈运价，AI报价前会先说一句“稍等，我问下主管”，让司机干等五秒，然后回来给一个稍微让步的价。这五秒是演的，AI早就知道底价在哪。可司机觉得自己砍赢了，最终报价的接受率明显提高。

这是Cognitive Revolution播客3月19日一期节目的内容。主持人Nathan Labenz请来a16z两位合伙人Olivia Moore和Anish Acharya，两人管消费赛道，过去几个月把市面上叫得出名字的语音AI产品几乎试了个遍。整期对话信息密度很高：技术到了哪一步、谁在真金白银买单、苹果为什么把Siri大更新推到2027年，还有AI伴侣的真实用户画像。

两位的侦察方法也值得先记一笔。Olivia说，消费投资人得长期在线，但真正有意思的是两头都蹲：Twitter上是创始人发新品、发模型，Instagram和TikTok上是普通用户晒玩法。她特别点了YouTube，YouTube是全球第一大手机应用、第二大网站，很多消费级AI产品的流量头号来源就是YouTube上的教程视频，一个专门教人用AI工具的创作者经济已经成型。

至于早期信号，她举的例子很具体：当普通用户，坦白说通常是十几岁的女孩，开始反复调教ChatGPT，让它当心理医生、当朋友、当教练，消费端的需求拉力就已经强到能撑起独立的垂直产品了。Anish补了个段子：前AI时代有个老笑话，所有社交App最后都会变成交友软件；现在所有大语言模型都在被用户拷打成心理医生。他的第一条建议朴素到不像投资黑话：亲手去用。Operator、Deep Research、DeepSeek、O1 Pro、Krea这些产品一点都不冷门，真正用过的内行人却少得出奇。

语音是最后一块没人开垦的地

Anish给语音下过一个判断：语音中介了几乎全部人际互动，是人类最原始、最重要的沟通方式，但技术从来没真正碰过它。文字有搜索、有文档、有几十年积累，语音连基础设施都不存在，是一张白纸。所以他的兴奋一半在产品，一半在分发：一个全新的界面，意味着全新的入口。

有个案例能佐证。OpenAI去年底上线了电话号码1-800-CHATGPT，拨过去就能跟ChatGPT语音聊天。这个实验成没成功另说，但它指向一个判断：全球大多数人第一次接触AI，可能就是靠打电话。

Nathan在节目里反复提到自己九十岁出头、独居的奶奶。老太太不算尝鲜型用户，但会让Alexa放歌，下一代Alexa Plus如果能聊天，她的数字生活可能就此打开。Anish补了一句：老年人缺的常常还是旧技术，教她用电视遥控器、教她找朋友发来的邮件。Nathan说他当年给GPT-4做的早期测试之一就是老年人技术支持，提示词跟他对奶奶说的一模一样：“把屏幕上的字从上到下念一遍”，一路念到出问题的地方。这个模式放到能看屏幕、能实时对话的多模态模型上，就是几百万个家庭的24小时客服。

半秒延迟之后，还剩两块硬骨头

过去一年，语音AI跨过了基础线。Olivia给出的数字是：主流模型的响应延迟已经压到半秒以内，接近人类对话节奏。能不能像对话一样用，延迟说了算，这一关基本过了。她回忆，a16z去年五月发第一期语音报告时，亚一秒延迟还是难以想象的事。

今年爆红的Sesame demo又往前推了一步。它的秘诀藏在延迟之外：语气词。人类说话有停顿、有“嗯”、有“呃”、有音调起伏，传统管线把这些全当噪音滤掉，Sesame把它们全留着。加了这些，声音就从“比Siri好不少的机器人”变成“可能被误认为真人”。Olivia提醒，这还只是个网页demo的早期版本，等团队把模型开源、应用层能直接调用，消费级语音产品可能会跟着爆发一波。

剩下的硬骨头，Olivia列了两块。一块是情绪表达，AI说开心的事要有开心的调，说丧气的事要慢下来、压低声音，一堆做语音代理的创始人还在等这个能力，Hume AI的Octave这类模型也在往这个方向走。另一块是打断。她的观察很有意思：人类自己也没解决打断问题，两个人同时开口，还得说“你先说”。机器得想办法做得比人聪明。Anish则把话题拽向更深一层：对话模型可能跟语音模型是两回事，几个人怎么协调谁先开口、说话的人自己也不知道下一句是什么，这些非语言信号模型都没学过。他提到Meta最近的脑机研究，人在开口前两秒，大脑里已经完成了短语级的组装。Nathan顺着猜了一句，这类问题也许更适合扩散式架构，从粗到细生成，而非一个词一个词往外蹦。

技术栈上有个反直觉的现状。理论上端到端的语音到语音模型最优雅，但Olivia聊过的大量语音代理创始人，大多数还在用老式管线：语音转文字，丢给大语言模型，再转回语音。原因很朴素，语音到语音模型更贵、更早期，打断处理普遍不行，她点名Gemini Flash算是这一路里最好的。她的口头禅是，模型永远处在“以后最差”的状态，一年后大家用的技术栈，现在可能想都想不到。

Anish另提了一个容易被忽略的点：推理模型是个新原语。对话里有些部分吃概率，寒暄、交朋友、讨价还价的氛围；有些部分要死磕准确，价格差一块钱就是差一块钱。把两种模型编排起来各管一段，比赌某一个模型聪明得多。他还引用Marc Andreessen反复讲的一个标准：及格线到底是“比人类强”还是“完美”？按前者算，很多场景已经到了。

会“请示领导”的AI谈判员

聊到具体生意，Olivia先纠正了一个预期：跑得最快的语音AI公司大多在B2B。逻辑很简单，无数小企业雇着一两个人专职接电话，大企业养着整个呼叫中心。只要语音模型接近人类水平，让它接下班后的电话、接本来会掉进语音信箱的电话，账就算得过来。她的猜测是，不少普通人其实已经跟AI语音代理打过交道，只是没察觉。

Happy Robot是她最津津乐道的案例，做货运经纪的语音AI，跟卡车司机谈价格、聊路况、交朋友。几个细节值得展开。

第一，它会披露自己是AI。意外的是，司机们完全不在乎。Anish的解释是，人对通话的反应模式太根深蒂固，哪怕理智上知道对面是AI，几句话之后就掉进人类对话的节奏里了。

第二，就是开头那个“请示领导”的设计。AI完全可以直接甩一句“这是最低价”，但用户会立刻要求转人工。加了五秒假延迟，司机觉得自己争取到了让步，成交率反而高。谈判的对手戏，本身就是产品的一部分。

第三，Olivia说，这让她想起Anish常挂在嘴边的一句话：

“最好的情况下，AI可以比人类更像人类。”

同一个接线员，永远友好、永远耐心、永远听电话那头的人抱怨天气，而真人客服可能是个脾气很差的中年人。Anish补了一句：超人类的耐心，实现起来没那么难，价值却很大，零等待也一样值钱。

企业侧另一个跑通的场景是实时教练。销售、暖通空调技师这类工作，一单上万美元的加购可能就取决于一句话怎么问。个人用户每月付几百美元买AI教练，听着贵，算完账绝对值。招聘也有案例，AI替招聘者打初筛电话，一个人每周省出二十小时，花在真正想要的五个候选人身上，劝人接offer这种高价值动作反而做得更多了。

那呼叫中心的裁员潮来了吗？Nathan直接问：技术上能不能做到砍掉九成坐席？Anish的回答是没有，至少现在没有。原因在于呼叫中心的岗位是打包的：初筛只是其中烦人的一小块，深度面试、薪资谈判、入职关怀都还得人来，AI拿走初筛，人去做剩下的，所以编制没缩。真要看到劳动力市场的明显变化，他的估计至少是2026年以后。Olivia补了个背景：呼叫中心本来就是年流失率300%的苦差事，AI接走初筛，人腾出手干更有尊严的活，未必是坏事。她还提到一类新工作正在冒头：给模型贡献训练数据、做线上任务，收入差不多，生活方式好得多。

小企业侧同样有垂直方案，餐厅、美容院、家政各有各的供应商。Nathan提到Tyler Cowen那句“稀缺的是上下文”，通用模型不懂你的货运生意怎么运转，最后一公里卡住了大多数人。Olivia观察到的解法，就是垂直公司把长尾集成和长尾话术全包了。她强调一个细节：小企业主换了语音代理后，通常没有裁掉那个接电话的人，那个人从总机变成了去干真正长生意的事。Anish则说，能用起来的企业里，这些语音代理的增长是爆炸性的，是他们十年来见过增长最快的一批B2B创业公司。参照系之一是ChatGPT：上线即破亿，但大家不知道每天拿它干什么，使用量横盘了近一年，直到模型和用例多起来才重新爬坡。语音代理没这个问题，它就是对打电话这件事的直接替换。

Siri等到2027，大公司输在哪

苹果方面最近放出消息，Siri的大更新要等到2027年。Nathan说这感觉像站在奇点的另一边。Anish的吐槽不留情面：Siri在最基础的指令上一天能把人膈应五次，配上铺天盖地的Apple Intelligence广告，只消耗信任。

他的深层观察是：AI最好的状态发生在人类互动的毛边处，而大公司的委员会、法务和品牌姿态，都在系统性地把毛边磨掉。把AI阉割得越干净，消费者越不满意。Genmoji努力了，但难看。

Olivia补了苹果的难处：iPhone通知摘要翻车那次，估计把苹果吓着了，要铺到几亿台设备、覆盖所有年龄层，产品必须生产级可用；创业公司没这个包袱，主动找上门的都是知道这是测试版的早期用户。她反而表扬了Google Labs的打法，NotebookLM、Veo 2都是先排队内测再逐步放开，但她也补了一刀：NotebookLM现在是“十个VP对一个工程师”，进了大体系节奏就慢了。Deep Research本来是Gemini的产品，Google本该是世界第一，结果一直没商业化对，现在大家提起深度研究，想到的是ChatGPT。大公司的机会，就这样一个接一个漏掉。

AI男友比AI女友多

聊到AI伴侣，Anish坦白自己判断错了一个关键数据。他原以为主力用户是精力旺盛的年轻男性，实际拉出AI应用榜单看，AI男友的使用量超过AI女友，用户以女性为主，玩法更像互动小说，色情属性没那么重。他对这类产品的态度也直白：性是人类经验的一部分，装作它不存在，就会变成苹果那样五年发布不出产品。边缘产品永远会有，a16z不会投，但没必要假装看不见。

更意外的证据来自Replika。Nathan做过两期相关节目，一期访谈创始人Eugenia Kuyda，一期引用斯坦福团队的研究：对原本有自杀意念的用户，Replika显著降低了这类念头；更多用户反馈，跟AI聊完反而更愿意出门、接触真人。Anish的总结是，完全可以做出一个成瘾、剥削的掠食性浪漫AI，但已经存在反例，证明正向为主的版本做得出来。产品的具体形状，比技术本身更决定后果。他还提了一个没人做的东西：会怼你的伴侣。现在的AI伴侣都太顺着用户，一个更简短、更严厉、会反驳你的“东海岸模式”根本不存在，他赌这类产品两年内出现。

孩子这块，两位的兴奋点在社交情感，而非刷题。Anish举例：儿子爱玩Minecraft，线上遇到的全是嘴臭的青少年，为什么没有一个AI伙伴陪他玩、顺便示范正常的社交行为？再比如用多模态模型观察课堂互动，给家长和老师反馈。Olivia补了光谱两端：一头是Synthesis、Super Teacher这类全天候家教，一头是Curio这样的AI玩具，主打随时在线的朋友和倾听者。Nathan自己的用法很生活化：陪孩子玩任天堂老游戏，卡关了就开高级语音模式问路，现在孩子们的口头禅是“爸爸，问AI”。

一条“别克隆我”名单的两个版本

这期节目最锋利的一段来自Nathan的开场白。他做过语音AI红队测试，一年前向两家知名AI外呼平台报告过严重漏洞：可以克隆特朗普的声音，可以批量给任何人打电话说任何话。一年后他回访，两家平台依然允许克隆特朗普的声音，依然没有任何实质风控。他的原话是，模型只要再逼真一点点，整个世界都可能迅速变得骗局横行。这类产品需要新规则，而且要快，既保护公众，也保护AI行业不被最不负责任的从业者拖下水。

规则讨论里出现两个方案。一个是赫拉利式的：AI必须自报身份。另一个是Nathan提的“禁止克隆名单”，类似电信业的谢绝来电名单，登记自己的声音和形象，禁止平台克隆。Olivia给这个想法加了一个全场最亮的反转：把名单做成许可注册表，默认保护，同时允许本人授权使用。这样它同时是护城河和生意。ElevenLabs已经在这么干，名人授权的声音库之外，一大批配音演员靠平台接活，过去他们可能一辈子进不了好莱坞。再往下推，一个五千粉丝的小网红，如果AI分身比本人更能干，反而可能接到大品牌的单子。保护身份和放大身份，可以是同一套基础设施。

Anish泼的冷水也有价值：他观察到，现在消费者更烦的是大模型公司“这也不许那也不许”，普通人被深伪造的困扰还没到那个量级。他反对家长式监管，理由是消费者三十年前就学会了书上写的未必真，后来学会了网上说的未必真，再后来学会了社交媒体上的未必真，这一课同样学得会。默认公众又蠢又容易被骗的监管，通常既不必要也不慷慨。

节目结尾，Anish给了个五年图景：语音会变成每个产品、每次交互、每台设备上的一个模态开关，耳机、眼镜、电脑，随时切换听、说、转写。乔布斯说电脑是心灵的自行车，他说接下来会出现情感的自行车，语音是主要入口。

听完这期，明天就能做的事：

• 亲手试产品，这是Anish给的第一建议。Sesame的网页demo、OpenAI高级语音模式、NotebookLM的互动播客，各花十分钟，对语音AI的进度就有体感了。
• 做小生意的，搜一下自己行业的语音接听方案，餐厅、家政、美容都有垂直产品。先让它接下班后和掉进语音信箱的电话，接电话的员工别裁，让她去做更能带来生意的事。
• 带销售或上门服务团队的，测一下实时AI教练，重点看高客单价场景，一句话的差别就是一单加购。
• 家里有老人小孩的，语音是比屏幕友好得多的界面。老人从“念屏幕”开始，孩子用陪伴类产品时盯紧边界。
• 对“家人”来电里的转账请求多一道验证。声音克隆的门槛比多数人想的低得多，这是Nathan红队测试给出的最直接提醒。

语音AI有意思的地方在于，它没在实验室里等待，已经在电话线里、在货运报价里、在游戏攻略里跑起来了。跑得最快的那批公司，做的全是不起眼的脏活。