隨著人工智能技術(shù)的飛速發(fā)展，語音交互已經(jīng)成為新一代人機(jī)交互界面的重要組成部分。與傳統(tǒng)的文本交互相比，語音交互以其直觀、低能耗的優(yōu)勢，為用戶提供了更為便捷的體驗。本文將深入探討語音代理（Voice Agent）在實時性、準(zhǔn)確性和創(chuàng)造性方面的要求，分析其在各個場景中的應(yīng)用前景，并識別出值得高度關(guān)注的創(chuàng)業(yè)及投資機(jī)會。

Voice agent 是與人類進(jìn)行對話溝通的 AI，是下一代人機(jī)交互界面。??

和文本相比，聲音交互的優(yōu)勢主要體現(xiàn)在：

? 語音交互以其與人類自然溝通方式的高度一致性，提供了一種更為直觀和低能耗的交互體驗，而打字文本交互的使用門檻更高；

? 語音交互非常適合于簡短、即時的信息交流；

? Text copilot 往往需要人機(jī)協(xié)作，最后一公里由人類完成，voice agent 一旦落地將徹底替代人類，獨立完成交流任務(wù)。?

以上差異使 voice agent 能產(chǎn)生不同于其他模態(tài)的價值，所以我們選擇 voice agent 作為獨立市場進(jìn)行研究。

GPT-4o 是第一個實現(xiàn)端到端 voice-in, voice-out 的大模型，低延遲、高智能使下一代交互成為可能。傳統(tǒng)語音中 ASR + NLP（即使被替換為 LLM） + TTS 的延遲是用戶難以接受的，且很難沿著 scaling law 產(chǎn)生足夠智能的對話體驗。GPT-4o 的出現(xiàn)讓新的交互形態(tài)成為可能，帶來了更多應(yīng)用場景的想象。

本篇研究中，我們根據(jù)不同場景對于實時性、準(zhǔn)確性、創(chuàng)造性的不同要求搭建了分析 voice agent 能力稟賦框架，識別出了值得高度關(guān)注的創(chuàng)業(yè)及投資機(jī)會：短期內(nèi)，我們較看好開發(fā)者工具和面向垂直領(lǐng)域的 voice agent workflow，長期則更期待消費者端“Killer app”的出現(xiàn)。

01 Voice Agent 全景圖

為了快速框定出端到端模型出現(xiàn)后什么領(lǐng)域會有劇烈變化、什么領(lǐng)域不會，我們搭建了以下框架來分析聲音領(lǐng)域的不同場景需求。?

象限分類標(biāo)準(zhǔn)：1）縱軸是該場景是否對實時性敏感，上方的需要實時在線的回答，下方的可以離線完成聲音制作。2）橫軸是區(qū)分該場景準(zhǔn)確度還是創(chuàng)造力更重要，左側(cè)的要求 voice agent 能精準(zhǔn)的解決問題或念出文稿，右側(cè)的需要 voice agent 更有創(chuàng)造力和表現(xiàn)力，能給出隨機(jī)應(yīng)變的回答。

? 第一象限（右上）：是端到端模型帶來最大積極影響的。需要實時回答，但對 AI 交流內(nèi)容的容錯率和自由度比較高，典型的場景有：陪伴、心理療愈。

? 第二象限（左上）：同時要求實時回答和高準(zhǔn)確度，目前是落地難度最大的場景，需要像真人一樣可靠。這需要通過對 latency 和 RAG workflow 的極致優(yōu)化，常見場景有：call center、銷售、客服、教育。

? 第三象限（左下）：可以離線完成，但要求 voice agent 能按臺本發(fā)揮，因此是 TTS 技術(shù)最好的使用場景。常見場景：有聲書、短視頻配音、模板化外呼電話。

? 第四象限（右下）：這是一個想象空間比較大的領(lǐng)域，對創(chuàng)意要求高，但同時可以離線生成。目前比較常見的用例是：音樂生成、npc 語音生成。

根據(jù)以上分析框架，我們認(rèn)為有以下幾個值得高度關(guān)注的創(chuàng)業(yè)和投資機(jī)會。類比開發(fā)軟件時，前端和后端必然是分離的。聲音領(lǐng)域前端的機(jī)會在于 TTS，后端的機(jī)會在于 enterprise workflow，同時也存在端到端的應(yīng)用機(jī)會：

1）療愈/陪伴類 voice agent（第一象限）：端到端模型解鎖下一代交互形態(tài)，在教育、陪伴等領(lǐng)域出現(xiàn) killer app。

2）Enterprise workflow（第二象限）：企業(yè)使用時最大的痛點在于如何解決 corner case（邊緣場景） 的準(zhǔn)確性，planning & RAG workflow 在這里就非常重要。同時，加入了 RAG 之后如何優(yōu)化 latency 提升用戶體驗也很關(guān)鍵

3）TTS（第三象限）：LLM 是大腦，但開發(fā)者仍需要 interface 的可控性。11 Labs 這樣公司的價值持續(xù)存在。

前面我們提到 4o 這樣的端到端模型取代的是 ASR + LLM + TTS 的鏈路，那這幾個創(chuàng)業(yè)方向在整個工作流中處在什么位置？

我們根據(jù)目標(biāo)客戶將其分為開發(fā)者（To Developer）,企業(yè)用戶（ To Enterprise）, 消費級（To Customer） 三個不同類型進(jìn)行梳理，這三個領(lǐng)域的成熟度和壁壘、價值各不相同。以下為結(jié)論，我們會在第二部分進(jìn)行詳細(xì)分析說明。???????????

To Developer:

? 定義：指的是面向開發(fā)者的 API 或開發(fā)平臺，包含 tts 那樣的單點模型、也包括把各 API 連接起來的平臺公司。

? 價值：高短期價值，所有需要搭建 voice agent 的團(tuán)隊都需要快速搭建的工具來縮短開發(fā)周期；長期價值不明確，業(yè)務(wù)真正依賴 voice agent 的公司最終一定會選擇自建。

? 壁壘：中，其中部分公司有一定的技術(shù)壁壘，部分公司只是其他技術(shù)產(chǎn)品的連接器?？赡鼙籩2e大模型顛覆。

? 重要方向：TTS，emotion engine，RTC，F(xiàn)ull stack platform

? 值得關(guān)注的公司：

11labs：作為海外獨角獸持續(xù)追蹤的公司，我們認(rèn)為 11 labs 是目前最好的 TTS 公司，它憑借完勝競品的聲音克隆體驗和聲音質(zhì)量獲得了市場的關(guān)注和認(rèn)可，業(yè)務(wù)收入增長迅速；

Hume AI：唯一相對成熟的 emotion engine，比 4o 更早實現(xiàn)了有高質(zhì)量語義情感的對話；

LiveKit：GPT-4o RTC 方案提供者；

Bland AI：Full stack 平臺中自有模型方案最成熟的公司；

Retell AI：Full stack 平臺中用戶體驗較好的公司。

To Enterprise：

? 定義：面向企業(yè)用戶的 voice agent，既包括為銷售、醫(yī)療等垂直領(lǐng)域設(shè)計的 AI phone agent，也包括企業(yè)端的無代碼平臺。兩者邊界比較模糊。

? 價值：長短期價值均一般，能夠替代臨時工提供的人力服務(wù)，其精確性尚未達(dá)到標(biāo)準(zhǔn)；長期因為市場比較 fragmented，最多也只能在某一個垂直行業(yè)中占據(jù)比較大的份額。

? 壁壘：中等，壁壘主要來自于 GTM 和業(yè)務(wù) SOP 積累，其他主要依賴模型能力提升。

? 重要方向：Sales and Customers agent, Training and Recruiting

? 值得關(guān)注的公司：

Sierra：Sequoia、Benchmark 投資, 團(tuán)隊實力強(qiáng)，資源豐富；

Sema4.ai：Benchmark 和 Mayfield Fund 領(lǐng)投, 團(tuán)隊實力較強(qiáng)；

Kore.ai：雖然是相對傳統(tǒng)的 AI 客服公司，但 Kore.ai 的業(yè)務(wù)綜合表現(xiàn)在整個領(lǐng)域中仍相對靠前；

Cognigy：創(chuàng)立于 2016 年、位于歐洲，值得關(guān)注的是它在過去幾年中實現(xiàn)了三位數(shù)的增長；

Hyperbound：AI 銷售角色扮演平臺，使用 voice agent 技術(shù)模擬真實的買家對話，幫助銷售團(tuán)隊提高電話銷售技巧。

To Customer:

? 定義：面向消費者的語音交互應(yīng)用，例如 AI 陪伴、療愈師、語言老師，甚至 AI 交互硬件。

? 價值：短期內(nèi)較低，目前商業(yè)化價值尚不明確，還在探索下一代交互的過程中。但長期價值高，可能出現(xiàn)下一個 AI-native killer app。

? 壁壘：中~高，讓用戶交流更流暢的產(chǎn)品形態(tài)和用戶數(shù)據(jù)是其主要壁壘。如果出現(xiàn)更明確的數(shù)據(jù)飛輪，將有強(qiáng)規(guī)模效應(yīng)。

? 重要方向：心理療愈，教育和陪伴。

? 值得關(guān)注的公司：

Sonia：除了看好 voice agent 在心理療愈領(lǐng)域的應(yīng)用外，Sonia 的團(tuán)隊背景也較為亮眼；

Clare&Me：看好 voice agent 在心理療愈領(lǐng)域的應(yīng)用，歐洲市場廣闊。

02 具體環(huán)節(jié)分析

To Developer: 機(jī)會來自搭建 voice agent 的核心要素

AI voice agent 的搭建鏈路很長，把這些工具組合起來讓 voice agent work 并不容易。這個領(lǐng)域創(chuàng)業(yè)公司的核心價值就是使開發(fā)者更快地開發(fā)出一個高質(zhì)量的 voice agent，而其中最重要的變量是端到端模型。

1. 端到端多模態(tài)模型

GPT-4o 作為多模態(tài)端到端模型有著很驚艷的效果：低延遲、真實情感表達(dá)、很強(qiáng)的語義理解能力。未來可以同時用于 entertainment & productivity 場景，作為每個人的朋友和工作助理，想象空間巨大。同時，對 voice agent 的落地還有幾個關(guān)鍵問題：

關(guān)鍵問題1：voice agent 是否真的能在企業(yè)用例上落地？

端到端模型降低 latency 的同時也降低了可控性，這是企業(yè)端落地的重要阻礙：enterprise 使用時需要精確的內(nèi)容輸出，此時就需要 decompose 和 RAG 的加入。這對端到端模型并不友好，因為其延遲優(yōu)勢會被 RAG 弱化，這時可控性、精確度和低延遲成了不可能三角。

在強(qiáng)領(lǐng)域知識的場景，可能需要端到端、易于微調(diào)的開源模型（可能是 Llama 3 8b 的語音版），才能讓 voice agent 真正落地。這時 Workflow 搭建很重要，用于解決 corner case 的精確性。

關(guān)鍵問題2：GPT-4o 以什么形式、什么時間開放 API ？

對于 to developer 的公司其 API 的開放時間和形式可能是最大的變數(shù)。目前端到端 model 推理成本相比傳統(tǒng)方法明顯更貴，這讓 API 甚至今年內(nèi)可能都不會開放。如果 OpenAI 將語音輸入輸出的接口也開放了，F(xiàn)ull stack 的平臺價值會降低，voice agent 的技術(shù)棧會變成 LLM (+emotion engine/ TTS) + streaming service。

如果 API 能開放多模態(tài)輸出的 API，語音+文字雙重輸出可以解決問題 1 中的 RAG 問題。先輸出一部分文字開始對話的前半部分，在說話的過程中完成一次 RAG，這樣可以基本避免 latency 問題。

關(guān)鍵問題3：端到端模型如何改變 voice agent 工作流？

GPT-4o 的出現(xiàn)把工作流中的很多步驟給簡化了。在端到端模型出現(xiàn)前，要搭建一個好的 voice agent 鏈條很長：

? VAD 識別發(fā)言時機(jī)：

voice agent 需要判斷何時用戶說完了內(nèi)容、合適插入對話，以確保足夠互動自然。這一領(lǐng)域的算法稱為 VAD，voice automatic detection，在 LLM 出現(xiàn)前就有相關(guān)技術(shù)。

從官方 demo 中，我們能感受到 GPT-4o 的涌現(xiàn)能力對之前的技術(shù)降維打擊，尚不清楚 4o 中這一模塊是外置模塊（可能是類似 speculative encoding 那樣的 oracle model ）還是 LLM 自身的能力。

? ASR 音頻轉(zhuǎn)文字：

這一領(lǐng)域的技術(shù)供給一直比較穩(wěn)定，但端到端 LLM 會對這一類模型的能力產(chǎn)生降維打擊：以更快的實時性做到高質(zhì)量的語義理解。

這個領(lǐng)域的代表公司包括：Assembly AI，OpenAI（Whisper 是開源SOTA）

? LLM 生成回答：

即使用 LLM 理解用戶意圖，生成自然的回答文本。這個過程中需要對回答推理步驟進(jìn)行 planning 拆解問題，再用 RAG 從專有數(shù)據(jù)庫中檢索回答中的相關(guān)概念。要實現(xiàn)這一點就要求 LLM 要了解對解決問題需要執(zhí)行的操作，比如下單退貨指令，并用 function call 能力分發(fā)至對應(yīng)任務(wù)上等。

? TTS 文本轉(zhuǎn)聲音：

TTS 將文本轉(zhuǎn)換為自然的語音輸出。這里可以加入更有感情和表現(xiàn)力的聲音，也可以加入固定的音色。

TTS 公司的業(yè)務(wù)主要替代傳統(tǒng)配音市場（有聲書、翻譯等），離線的個人創(chuàng)作者內(nèi)容生產(chǎn)。而 voice agent 則對實時性要求非常高，因此當(dāng)前 TTS 和 voice agent 相關(guān)度還比較低。兩者對 voice 評估的目標(biāo)不同，11labs 客戶要求的是高質(zhì)量的聲音，而 voice agent 用戶要求的是高質(zhì)量的語義回答和 low latency。需求的不同讓 11labs 相對難被沖擊到，interface 層不會直接被 LLM 大腦沖擊到。

關(guān)于 GPT-4o 的影響，使用 4o 不一定必須用其自帶的 TTS。TTS 位于大模型內(nèi)，對開發(fā)者不太友好?？蛻艨赡苄枰鄻踊穆曇裟Ｊ?，如定制化或卡通化風(fēng)格。未來最值得關(guān)注的是 4o API 是否同時支持Voice 和 Text 雙頭輸出。

代表公司：11labs，Wellsaid，play.ht

? 讓對話更加生動的情感引擎（Emotion engine）：

Voice agent 在客服、陪伴等場景中都非常需要理解人類的情感表達(dá)，并盡可能模擬出人類表達(dá)時的情感，支持這樣能力的技術(shù)便被稱為 emotion engine。

代表公司 Hume AI 是目前唯一效果不錯的 emotion engine。Hume AI 的 API 接口背后是一個“共情大模型”（eLLM）驅(qū)動，它能夠完成情感理解、共情回應(yīng)、通過個性化建議和干預(yù)幫助用戶管理情感。Hume AI 不是端到端模型，可以結(jié)合其他 LLM一起使用

但 emotional engine 方向最大的風(fēng)險在于被涌現(xiàn)能力顛覆。GPT-4o 向我們證明了學(xué)習(xí)足夠多對話數(shù)據(jù)的端到端多模態(tài)模型自己能涌現(xiàn)出對人類情感的模仿能力，Hume 的能力很可能被降維打擊。

代表公司：Hume AI

? 用RTC 降低 streaming latency：

這類技術(shù)接口的價值是降低 LLM 交互的速度，讓其交互對用戶更絲滑無感。Voice agent 需要選用合適的 streaming service 來降低 voice agent 對話的延遲，例如 OpenAI 選擇 livekit 來降低 latency，Bland 選擇 Twillo 來接入各類語音電話。

LLM 需要實時接收用戶的音頻。由于人和 AI 都無法加速產(chǎn)生內(nèi)容，為了減少 100-200 毫秒的延遲，RTC是必須的解決方案。對于用戶的溝通文本，decoder-only transformer 無法提前讀入內(nèi)容，但 RTC 可以保證其在讀入內(nèi)容和輸入內(nèi)容時的 latency 被降到足夠低，且不同人物之間可以有并行處理和加速。

考慮到 RTC 是一個已經(jīng)發(fā)展了十年的技術(shù)，其能力已經(jīng)相對 commoditize了。對于 OpenAI 這樣的團(tuán)隊，未來更有可能的是選擇招聘團(tuán)隊自建更完備的系統(tǒng)。這類玩家更可能的客戶是受到 OpenAI 名聲影響到的 voice agent applications。

代表公司：LiveKit

總的來說，在整個 vocie agent 的 workflow 中，每一個模塊，都出現(xiàn)了一些重要公司：

Source: a16z

2. Full stack 平臺

除了圍繞 voice agent 的技術(shù)鏈條提供服務(wù)外，還有一類公司是將以上各個環(huán)節(jié)打通的 Full stack 平臺。值得一提的是，這是在 GPT-4o 前就出現(xiàn)的產(chǎn)品形態(tài)，幫開發(fā)者快速把 ASR + LLM + TTS 的鏈路打通?？梢约?xì)分為以下兩類，核心區(qū)別在于是否自己訓(xùn)練模型：

? End2end infra：自己訓(xùn)練模型，端到端完成所有任務(wù)的公司，從轉(zhuǎn)錄、推理、文本到語音，到構(gòu)建決策圖和可配置的函數(shù)調(diào)用和 API 請求。

這個板塊的代表公司 Bland AI 是一家專注于托管客戶微調(diào)模型棧并提供低延遲通話解決方案的公司，為開發(fā)者和企業(yè)定制化語音代理以適應(yīng)特定用例。其核心產(chǎn)品是一個多功能的 AI Phone API，能夠自動化和管理各類電話呼叫，包括出站和入站呼叫、對話能力、合規(guī)工具、可擴(kuò)展性以及與現(xiàn)有系統(tǒng)的無縫集成。Bland AI致力于構(gòu)建 AI 呼叫中心，通過將語音轉(zhuǎn)換為文本并快速生成回應(yīng)，同時在 LLM 中構(gòu)建防護(hù)措施以降低風(fēng)險。該公司采用訂閱模式，提供從每分鐘 0.07 美元起的定價，已獲得Acacia Venture Capital Partners、Team Ignite Ventures和Y Combinator的投資。

? Middleware router：中間件層，不自己訓(xùn)練模型而是將不同組件串聯(lián)起來。幫助企業(yè)提高了靈活性，能以最快的方式選擇自己合適的模型并將其開發(fā)為 voice agent。

在11labs 客服訪談中，我們看到有不少客戶選用 11labs 作為tts，和其他 API 一起使用，往往就采用了中間件或自建基站，而不是上文的 Full stack 平臺一體化基建。

例如， Verizon Communications 利用 11labs 為在野外工作的工程師建立 AI agent，使得工程師可以通過手機(jī)應(yīng)用程序與聊天機(jī)器人交流，通過語音來接收信息。

作為中間件的代表公司，Retell AI 提供用于構(gòu)建對話式語音 AI 代理的中間件解決方案。API 主要功能包括語音穩(wěn)定性控制、實時自動語音識別（ASR）轉(zhuǎn)錄、自定義語音以及即將推出的情感分析和環(huán)境噪聲添加等，團(tuán)隊由前字節(jié)跳動/TikTok 產(chǎn)品經(jīng)理，Google 軟件工程師，Meta 項目經(jīng)理和技術(shù)主管組成。包括 Y Combinator 在內(nèi)的投資者已經(jīng)為 Retell 投資了總計453 萬美元的資金。

To B: 新一代 Saas 入口

語音是進(jìn)入核心客戶行為（如預(yù)訂、續(xù)約、報價等）的自然入口。如果下一代SaaS解決方案能夠充分利用voice agent技術(shù)，那么在2B領(lǐng)域，它們將擁有較大的增長潛力和市場優(yōu)勢。

大部分語音對話不需要很高的智能程度，相反，它們更依賴于對上下文的理解、隨時 on call 以及對客戶需求的快速響應(yīng)。有了可靠的 voice agent，企業(yè)就不再需要人工接線員來工具式地打電話，可以節(jié)省大量時間和成本。由于 To B voice agent 就是與客戶溝通的電子員工，需要了解很多相關(guān)領(lǐng)域的背景知識，因此這一個領(lǐng)域是垂直公司的機(jī)會。

以下是一些關(guān)鍵因素，解釋了為什么垂直領(lǐng)域存在市場機(jī)會：

? 呼叫類型、語氣和內(nèi)容結(jié)構(gòu)：不同行業(yè)的客戶互動具有特定的模式和風(fēng)格。語音代理需要根據(jù)行業(yè)特點調(diào)整其溝通方式。比如語調(diào)、內(nèi)容結(jié)構(gòu)；?

? 數(shù)據(jù)集成和工作流：每個垂直領(lǐng)域都有其獨特的數(shù)據(jù)管理和工作流程；?

? GTM 策略（GTM）和 killer feature：需要具備能夠解決特定行業(yè)痛點的能力。

? 邊緣場景難度：將電話交給AI的質(zhì)量標(biāo)準(zhǔn)非常高。這些公司最關(guān)鍵的任務(wù)就是去解決垂直領(lǐng)域里的邊緣場景，例如通用模型可能會誤解的獨特詞匯。

? 法規(guī)和許可：一些語音代理公司面臨特殊的限制和認(rèn)證需求。例如，醫(yī)療保健領(lǐng)域需要遵守 HIPAA 合規(guī)性，銷售領(lǐng)域也出現(xiàn)了針對 AI 冷呼叫的國家級別的法規(guī)。

為什么 To B 場景下的垂直解決方案相對難被端到端模型顛覆？

在垂直場景中真正解決問題，需要做嚴(yán)謹(jǐn)?shù)?RAG 和任務(wù)規(guī)劃，因此并不適合端到端模型一次生成。通常的過程是先通過文本內(nèi)容 retrieve 相關(guān)信息，再次生成文字和進(jìn)行 TTS。這時端到端模型的 latency 優(yōu)勢就不再了，關(guān)鍵難點在于領(lǐng)域數(shù)據(jù)和 workflow 的推理。

1. 企業(yè)工作流

企業(yè)工作流領(lǐng)域的公司不局限于特定行業(yè)、特定場景，而是跨行業(yè)提供服務(wù)，但目前主要應(yīng)用場景仍為 sales/support。他們以 low code 平臺或 SaaS 的形式提供服務(wù)。

我們根據(jù)銷售工作流，可以將 AI 客服分為幾類:

1）營銷類外呼：售前場景因為對于模型的理解和智能能力要求較低，是目前比較好的落地場景。Voice agent可以帶來更自然的對話體驗，同時能夠結(jié)合分析歷史通話數(shù)據(jù)，實現(xiàn)營銷轉(zhuǎn)化的提高。如果遇到太難的問題，LLM 也可以檢測后發(fā)給普通的客服。

2）銷售中：目前LLM還比較少的被應(yīng)用到直面leads，因為受能力限制，失敗了損失過大。但被充分應(yīng)用于客服培訓(xùn)中，一方面節(jié)省了因為電銷頻繁離職導(dǎo)致的過多培訓(xùn)時間成本；另一方面可以做到知識庫實時對齊，成為電銷的語音 copilot。

3）投訴/售后服務(wù)、客戶回訪：AI 可以幫助客服收集客戶投訴，解決簡單的售后服務(wù)問題。同時可以進(jìn)行大規(guī)模的客戶回訪，也開始被企業(yè)廣泛的采用。

代表公司：傳統(tǒng)公司以 Parloa、Kore AI 為代表；新興公司則包括 Sierra，Sema4.ai

Sierra 專注于為企業(yè)打造 AI Phone Agent，提供基于 autonomous agents 理念的軟件，結(jié)合多個模型生成響應(yīng)。由 Salesforce 前高管 Bret Taylor 和 Google 前VR負(fù)責(zé)人Clay Bavor創(chuàng)立，已獲得Sequoia和Benchmark 等投資方 1.1 億美元融資。公司采用基于結(jié)果的定價策略，客戶僅在問題解決時付費。WeightWatchers 利用 Sierra AI 提高了客戶服務(wù)效率和質(zhì)量，實現(xiàn)了高客戶滿意度和問題解決率。

2. Training and Recruiting

Training and Recruiting 是值得關(guān)注的另一大模塊。

GPT-4o 可能預(yù)示著新一代解決方案的到來。引入 voice agent 技術(shù)有助于企業(yè)降低成本并提高效率。值得注意的是，該領(lǐng)域的專業(yè)性非常強(qiáng)，因為不同行業(yè)的培訓(xùn)內(nèi)容和面試測試有不同的需求。企業(yè)培訓(xùn)市場覆蓋了技術(shù)培訓(xùn)、軟技能開發(fā)、質(zhì)量培訓(xùn)、合規(guī)培訓(xùn)等多個細(xì)分領(lǐng)域，服務(wù)于零售、醫(yī)療保健、金融服務(wù)、IT 等多個垂直行業(yè)。

根據(jù) Global Industry Research 研究，Corporate Training Market 市場規(guī)模在2024年估計為 1331 億美元，并預(yù)計在預(yù)測期內(nèi)以 9.47% 的復(fù)合年增長率增長。而 Polaris 調(diào)研 Recruitment Process Outsourcing (RPO) 市場在2023年的市場規(guī)模為 87.5 億美元，預(yù)計到 2032 年將達(dá)到 333.4 億美元。在這一市場中，頭部培訓(xùn)公司包括 Skillsoft、LinkedIn Learning（微軟）、Pluralsight、Cornerstone OnDemand、Udemy for Business等。同時，頭部RPO公司有Cielo、Randstad Sourceright、Korn Ferry、Alexander Mann Solutions (AMS)。盡管市場存在一些頭部企業(yè)，但并沒有形成壟斷，為創(chuàng)新公司提供了機(jī)會。招聘方向的創(chuàng)業(yè)公司如 HeyMilo、Interviewer.AI；在培訓(xùn)方向的Hyperbound和moctalk 等公司值得關(guān)注。

如 Hyperbound 是一個利用 AI 和 voice agent 的 AI 銷售角色扮演平臺，通過模擬真實買家對話來提升銷售團(tuán)隊的電話銷售技巧。該平臺通過 AI 買家模擬、角色扮演練習(xí)，快速提升銷售代表的熟練程度，加速新員工入職，提高轉(zhuǎn)化率，并減少練習(xí)過程中對潛在客戶的負(fù)面影響。Hyperbound 還提供分析和反饋工具，幫助管理者評估和提升銷售團(tuán)隊表現(xiàn)。團(tuán)隊由銷售教練、AI 工程師以及前 Salesforce Einstein 工程師組成。

To C: AI 時代的交互界面

To C 產(chǎn)品的主要邏輯是，將昂貴或難以獲得的人類服務(wù)，且是基于對話且可以在線完成的，替換為 AI，主要場景包括心理療愈、輔導(dǎo)、陪伴等。

早期的 AI 陪伴等應(yīng)用主要基于文字，如 character.ai，但文字形態(tài)的用戶門檻高一直限制著用戶規(guī)模。聲音比文字增加的維度：音色、情緒，讓用戶與 chatbot 交互的使用成本大幅降低。

1. Consumer Apps

對于 comsumer apps，未來可預(yù)見的確定性變化，其一是成本會大幅度降低，甚至降低 99%，從而帶來用戶規(guī)模的擴(kuò)大。對于現(xiàn)階段的 AI 教育、陪伴、心理療愈這些產(chǎn)品，如 Duolingo Max、Speak、praktika 等普遍由于 LLM 及 TTS 調(diào)用成本過高，限制了大規(guī)模的采用。如果調(diào)用成本大幅度降低，將使得企業(yè)能夠以更低的價格提供服務(wù)。

其二是由于 GPT-4o 新架構(gòu)的采用、webrtc 優(yōu)化， latency 將繼續(xù)降低，帶來更自然的交互，那么對于 c 端實時、擬人程度要求高的場景，也有較大的效果提升。

具體有 4 個應(yīng)用場景：

面向成人的教育應(yīng)用：成人教育目前主要以語言學(xué)習(xí)應(yīng)用為主，而語言學(xué)習(xí)也正是目前最適合通過語音交互進(jìn)行的領(lǐng)域，因此我們認(rèn)為 vocie agent 的發(fā)展可以讓這個領(lǐng)域直接受益。

面向兒童的教育應(yīng)用：除了語言學(xué)習(xí)外，在更高質(zhì)量的聲音輔助下，兒童學(xué)習(xí)伴侶的具象化和游戲化是創(chuàng)新的方向。

陪伴：Character.ai 和 ChatGPT Dan 的爆火已經(jīng)佐證了陪伴市場的潛力，但目前大多數(shù)應(yīng)用仍停留在簡單的 AI 朋友或虛擬伴侶階段，未來的創(chuàng)新可能包括具象化、游戲化，以及將AI伴侶集成到硬件中，實現(xiàn)隨時隨地的陪伴。

心理療愈：心理療愈是陪伴場景的升級，其核心在于情緒疏導(dǎo)和心理健康支持，但因為是醫(yī)療場景，所以關(guān)鍵挑戰(zhàn)在于合規(guī)性和避免幻覺問題。

與 Gen-AI 結(jié)合的具體案例：

1）Praktika.AI

? 產(chǎn)品：Praktika 使用 GPT-4+Unity Avatars+11labs，創(chuàng)建 voice agent 形式的 AI tutor，提供不同地域口音的 Avatar，模擬真實對話，幫助用戶克服語言障礙，提升溝通技巧；

? 差異：針對有實際英語溝通需求的用戶，如職業(yè)需求、出國留學(xué)等。與競爭對手相比，Praktika 更注重真實對話的模仿，Avatar 是其特點。

2）Ello：

面向兒童的閱讀伴侶應(yīng)用程序，為幼兒園到三年級的孩子設(shè)計，提供與孩子閱讀水平和興趣相匹配的電子書籍和紙質(zhì)書籍，幫助孩子培養(yǎng)閱讀習(xí)慣。Adaptive Learn™ 是 Ello 的 AI 引擎，能夠像一對一的教師一樣理解、適應(yīng)并響應(yīng)每個孩子的需求。

3）Sonia：

開發(fā)了 AI 驅(qū)動的認(rèn)知行為治療師（CBT），提供語音和文本會話的心理健康治療服務(wù)。為用戶提供了成本效益高、可訪問性強(qiáng)、隨時可用的心理健康治療解決方案，改善心理健康服務(wù)的可及性。

Sonia 通過手機(jī)應(yīng)用來提供完整的會話治療服務(wù)，用戶可以選擇語音或文本與 AI 治療師進(jìn)行交流，這一服務(wù)收費為200 美元/年，和傳統(tǒng)的每次 200 美元的治療費用，成本極低。

2. Hardware

To C 的另一個機(jī)會是基于 voice agent 的消費級硬件，實時收集記錄用戶信息，實時交互反饋，成為更為具象的 personal assistant。但目前出現(xiàn)的出現(xiàn)的 humane、rabbit 的可用性、使用價值仍較差。

盡管尚未出現(xiàn)被廣泛認(rèn)可的“下一代硬件”，但該領(lǐng)域正積極嘗試開發(fā)新產(chǎn)品。主要有兩種嘗試方向：首先是創(chuàng)造全新的、以語音交互為核心的硬件設(shè)備，如 Humane 和 rabbit ，這些產(chǎn)品旨在提供更加自然和直觀的用戶體驗，但目前可用性、使用價值仍較差。市場上也出現(xiàn)了小型陪伴玩具，它們通過搭載 voice 交互能力，提供互動性和娛樂性，例如 curio和 moxie 這樣的產(chǎn)品，不僅能夠吸引兒童的注意力，還能在一定程度上輔助教育和情感陪伴。

與 Gen-AI結(jié)合的具體案例：

因為大家對 Humane 和 rabbit 已經(jīng)比較熟悉了，下面主要介紹兩款以 voice 為核心的游戲和陪伴類機(jī)器人：

1）Curio：

Curio Interactive Inc. 推出了 Grok、Grem和Gabbo 等 AI 玩具系列，這些玩具配備 WiFi、藍(lán)牙、揚聲器和麥克風(fēng)，支持與兒童進(jìn)行語音或文本互動，通過游戲和對話提升孩子的聽力和交流技能，同時減少他們對屏幕的依賴。

2）Moxie

Moxie 是由 Embodied 公司開發(fā)的一款具有情感智能的 AI 機(jī)器人，專為 5 至 10 歲兒童設(shè)計，幫助他們克服社交焦慮和孤獨感。它能夠理解語音和面部表情，維持眼神接觸，并以肢體動作響應(yīng)互動。Moxie 還能記住過去的對話，運用特定療法如認(rèn)知行為療法，并適應(yīng)不同學(xué)習(xí)階段。

此外，Moxie 集成了先進(jìn)的對話 AI 技術(shù)，能夠為多達(dá)四名兒童提供個性化互動，且在不使用客戶數(shù)據(jù)的前提下，根據(jù)用戶反饋持續(xù)更新，從而提升智能和同情心。