语音 AI 是当下最热的赛道之一，投资人数十亿美元涌入，从模型厂商到企业客服、会议记录、AI 听写，每周都有新模型或新工具发布，声称自己听起来像真人。但 TechCrunch 在 HumanX 大会上的采访给出一个相反的判断：这个行业还没迎来自己的“ChatGPT 时刻”。

PolyAI CTO Shawn Wen 认为，全双工模型（能一边听一边说）确实已经做到，但下一步的瓶颈是推理速度。模型必须快速检索答案、组织回复，对话才能自然到让人愿意持续交流。他把客服场景看得很具体：AI 的声音不能一听就假，至少要撑住前两三轮对话，让用户逐渐建立信心，最后才可能接受“不用转人工”的结论。也就是说，现在的问题不是能不能说话，而是能不能在几百毫秒内想清楚再开口。

Otter CMO Alex Gay 的角度不同。他更关注会议场景的下一步：说话人识别、意图捕捉，再加上组织知识，让记录不只是文本，而是能触发自动化动作的基础。Otter 还在做数字孪生，希望用 AI 替身代表真人开会。他强调，这种替身的声音必须保留人类交谈时的情绪表达，否则就只是“一个问答机器人”，没法产生真正的辩论和战略讨论，也就失去了会议的核心价值。

两位受访者在 ASR（自动语音识别）的问题上高度一致。Wen 指出，ASR 模型经常漏掉关键词，导致整个上下文理解出错。Gay 说得更直接：转录从来不是终点，只是驱动效率提升的一层基础。如果原始转录不准，后面所有自动化的动作都是错的，用户一旦发现系统在错误前提下行动，信任立刻崩掉。所以 Otter 必须持续优化 ASR，因为下游影响太大了。

最后是透明度问题。新工具必须明确告知用户正在被录音，或是在和 AI 对话。Otter 的做法是即使会议中没有 bot 参与，也会在聊天里通知所有人会议被记录，目的就是建立信任。PolyAI 也强调，企业通话中应当明确让对方知道自己面对的是 AI。

整体来看，这几位一线从业者并不否认语音 AI 的进步，但他们都指向同一个事实：技术能说会道了，可理解、推理速度和信任机制还没跟上。语音成为真正主交互界面的那一天，可能取决于这些“看不见”的底层能力，而不是又多了一个更像人的声音。