“不认字”的语音AI更靠谱，这个说法只对了一半。过去一周，科大讯飞和阿里先后拿出各自的端到端语音方案：10月22日，讯飞在1024开发者节上发布星火语音基座大模型SparkAudio 1.0，并同步推到自家全线产品。次日，阿里放出Qwen-Audio-3.1-Realtime技术报告。两家走的是同一条路：不再把人的声音先转成文字、再交给文本大模型理解，而是让模型直接“听声辨意”。在打断、接话、听情绪、辨环境声这些“自然度”环节，这条路确实已经把老流水线甩在身后；但到了“不能出错”的环节，两家在新模型里塞回去的，恰恰是它们嘴上扔掉的“认字”能力。科大讯飞
先搞清楚比的是谁。所谓“大模型”，指的是当下主流语音产品的搭法：先等你说完，把录音变成文字，再让语言模型写答案，最后把答案念出来。几个环节像依次经过的窗口，文字是窗口之间唯一传递的介质——语气、停顿、两个人同时说话，这些声音里“字以外”的东西在转写那一刻就被丢掉，转写错一个字还会被后面的环节放大。用户的抱怨也很具体，有人把自家语音助手的毛病总结为“叫它它不应，不叫它瞎搭茬”。这类抢话、漏听、反应慢，正是流水线结构的旧病。知乎小红书
“不认字”的方案就是冲着这些旧病来的。阿里在技术报告里把级联结构的问题说得很直白：各模块解耦便于维护，但端到端延迟普遍高达 1.5 秒以上，且声学情感与副语言信息在文本瓶颈中不可逆丢失。讯飞的思路则是不再设“转文字”这道工序，把机器翻译、语音识别、语义理解等能力集成到同一基座，官方称其在实时说话人分离、环境理解、情绪识别等方面表现突出。换句话说，它听的不只是“你说了什么字”，还有谁在说、什么情绪、背景里有什么声音。知乎大模型之家
这不是实验室概念。SparkAudio 1.0已经上线讯飞输入法 16.0、讯飞听见、讯飞办公本、讯飞翻译机等在售产品。阿里的Qwen-Audio-3.1系列9月底刚完成一轮降价，Realtime降幅约85%、ASR降幅达95%。价格先打下来，入口之争才刚开始。效果端也有数字：按技术报告口径，新模型在全双工评测Full-Duplex-Bench v1.5上，把背景无关语音的误响应率由 73.0% 降到 13.0%。电视声、旁人搭话被当成“叫它”的次数大幅下降，这类改进用户在体验上摸得到。微博36氪知乎
真正改变判断的是另一组细节：这两家“不认字”的模型，都在内部重新引入了文字和校验锚点。阿里的方案把系统拆成思考、执行、表达三层，执行层要在仿真沙箱里完成工具选择和数据库状态检验，确认做对了再开口。讯飞的技术路线里，识别和生成共用一套解码器，各干各的那条老路就此合并。而“识别”输出的，本质上还是可核对的文字状态。做语音客服的工程侧把边界说得更直白：纯端到端模型在任务型对话很难落地，黑盒特性无法精准校验专有名词和强业务规则，听错一个单号或参数就会导致任务失败。知乎知乎知乎
把这几件事拼起来，结论就清楚了。行业没有推翻“文字”，只是把文字从唯一的介质降为校验通道：前台用端到端把话说得自然，后台把转写、状态和审计留下来。对用户的实际含义是分场景——闲聊陪伴、会议纪要、方言转写、同声传译这类“听感”优先的入口，端到端方案值得换新体验；而下单、扣费、报单号、留承诺的场景，能不能查看并纠正文字记录，仍然比声音像不像人更重要。选产品时可以盯两个信号：对话有没有可核对的转写记录，你临时改口时它能不能立刻跟上。
边界也要说明白。目前“靠谱”的进步数字基本出自厂商自建评测口径，独立复测还很少；讯飞宣称的端侧小模型能做到约七成云端能力，连发布会后第一批拆解它的作者都承认，要“等有人拿同一段嘈杂录音两边跑一遍才信”。“不认字”的语音AI能不能真的更靠谱，答案不在这一周的发布会PPT里，在接下来几个月把它接进客服、车机和手机的实测里。知乎
