AI 说话终于有情绪了,这次不是演的

AI 会说话，已经很多年了。但以前它一开口，你就知道是它。

不是因为它说错，是因为它说得太对：每个字都清楚，每个句子都完整，客气得让人想挂电话。

它不喘气，也不犹豫，更不会笑场。

这次不一样。

前两天，一个叫 Dessa 的语音模型放出了几段原始录音，没有宣传片，没有剪过的成品。我听完的第一反应是：它终于有情绪了。而且不是演出来的那种情绪。

情绪是什么样，听几段就知道了。

有两个人聊电影，聊到好笑的地方，它笑出了声。不是等你说完再礼貌地"哈"一下。是笑在句子中间，笑到一半还在往下说。

对方想不起一部片子的名字，卡在那儿"那个、那个"。它替人把名字说了出来。

有人随口说"你大点声"，它就大了。不是回一句"已为您调到最大音量"，是真的把嗓门提上去。

还有一段，一个人讲自己给伴侣准备了惊喜旅行。它压着嗓子说了句"oh my god"，听着像要哭，说完才接祝福的话。

点开听原声。笑声、提高音量、惊喜反应，依次为三段官方录音短节选；中文听点提示为本文添加。Block / Dessa。

这个顺序很重要。

它没有先想好一句祝福，再往上贴一层情绪。它是先有了情绪，话才跟着出来。

人也这样。你听到好消息，是先"啊"一声，才想得起该说什么。

它凭什么能做到？因为整个做法都换了。

以前的语音 AI 是三个人接力。

一个负责听写，把你的话转成文字。一个负责写作文，把文字丢给大模型，想个回答。一个负责播音，把回答一个字一个字念出来。

中间隔着几张纸条。问题就在纸条上：纸条里只有字，没有气。

一句"行啊"，写在纸上就是"行啊"。可要是咬着牙说的，要是尾音拖得很长，要是说完冷笑了一声，这三个字的意思全变了。

纸条传不过去。

所以以前的 AI 听不出你生气，也听不出你在开玩笑。你骂它一句，它回你："抱歉，我没听清。"

还有个细节，更日常。

以前的语音助手靠安静判断你说完没有。你一停，它开始计时，数到一两秒，抢答。

可人说话本来就爱停。你停一下是在想词，它以为你结束了。

于是你刚说到"我想订一张去——"，它已经开口："抱歉，没有找到相关结果。"

你想补一句"等等，不是这个"，它还在念。

你跟导航吵架："我不是让你右转！"导航说："正在为您重新规划路线。"它压根没听见你在生气。

现在的做法是一边听一边说。

以前的语音助手是对讲机：你说完，松手，它才开口。现在是打电话：两个人同时在线。

你"嗯"一声，它知道你在听。你一停顿，它知道你要接话。你说到一半它觉得有意思，会插一句"不是吧"。

一个不会抢话的东西，你永远不会觉得它是活的。

人还没问完，它就接上了片名。23秒连续原声；中文听点提示为本文添加。Block / Dessa。

它甚至没读过书。

现在的大模型都是先读书再开口，喂几万亿字，学会语法和知识，再把答案念出来。这个从零开始，只喂真人对话的录音，一句字幕都没看过。

像小孩学说话，没人给三岁的孩子看字幕，他听着听着就会了。

它学会说话用的词，比现在的大模型少数百倍。因为声音里装的东西，比文字多太多。

同一句"我没事"，写下来只有三个字。可如果是牙缝里挤出来的，如果尾音在抖，如果说完吸了一下鼻子——这三个字的意思，就全变了。

我们过去做语音 AI，干的是把一段录音压成一行字，然后说"我懂你"。

那不是听懂。那是把一封信缩成一条短信，然后把信烧了。

那这东西到底能帮我们什么？

最直接的是打电话。

以后的客服不该再念流程。你说"我那个快递三天没动了"，它应该说"啊？三天？这也太离谱了吧，我看看"。

问题不一定马上解决，但你火气先消了一半。因为它先站你这边骂了一句。

再往深一点，是那些没人陪的时刻。

老人一个人在家，需要的不是一个会背天气的机器，是一个能听出他今天声音不对的东西。

他说"挺好的"，对面能停半秒，问一句"真挺好的？"这一句，比什么都管用。

通话情境配图，非 Dessa 使用现场。Susanna Marsiglia / Unsplash。

还有一类人，一直被漏掉。看不见屏幕的人、听不清声音的人、说话费劲的人。他们跟世界的接口，本来就是声音。一个能听出语气、也懂得用语气回话的 AI，对他们不是玩具，是门。

做内容的人也会受益。有声书不再是一个调念到底，游戏里的 NPC 不再像复读机，翻译软件能把"我没事"翻成一句真的没事。

连孩子都会受益——他不会怕问问题，因为对面不会嫌他笨。

最实在的一条是，它能跑在你的笔记本上，不联网，速度比实时还快。你半夜跟它说的事，不会传进谁的机房。

MacBook Pro M4 系列官方产品图，2024。非 Dessa 实测画面。Apple。

再往后想一步，标准可能会变。以前我们夸一个 AI，说它聪明、准确、知道得多。以后可能先问一句：跟它说话，累不累？

当然，该泼的冷水得泼。

目前所有演示都是自己录的，没有第三方评测。它只是研究预览，要排队，只放给了少数几个安全研究员。

最要紧的是：它太像人了，像到可以骗人。

过去几年我们防 AI 诈骗，一直有个土办法：听它喘不喘气。不喘气的是机器。这个办法，快不管用了。

一个能听出你难过的模型，也能听出你什么时候会心软。

但有一件事，值得高兴一下。

我们花了很多年教机器听懂人话。代价是人先学会了说机器话：把句子说完整，不带"那个"，不带语气词，说完还得等两秒。

那不是人说话，那是人在给机器打报告。

现在终于反过来了。你不用再把自己翻译一遍。

你可以说半句，可以改口，可以说到一半自己先笑场。它可以插嘴，可以问"真的假的"，可以在你说错名字的时候不当回事。

日常交谈情境配图。Age Cymru / Unsplash。

情绪不是说话的装饰。

情绪是信息的一半。

同样三个字，"我没事"，可以是真没事，也可以是快撑不住了。人听得出来，是因为人一直在听那道缝里的气。

AI 以前只拿到了字，所以它只能懂一半。现在它把另一半也拿到了。

这大概是第一次，AI 不用学人怎么说话，也能听懂人怎么说话。

也是第一次，它有了自己的表达方式——不是标准答案的念法，是一个有语气、会停顿、会插一句"不是吧"的声音。

以后你接起电话，对面那个声音可能根本不需要喘气。但你需要的，从来不是一个不会喘气的客服。是一个能听出来，你也在喘气的家伙。