为什么个人 AI 助手都在抢语音:交互门槛坍塌带来的流量迁移
从 Muse、Grok Bot、豆包、ChatGPT 的语音功能切入,讲清语音成为个人 AI 入口的真正原因,以及「接住废话」为什么是个人助理的核心能力。

各家抢语音,抢的是同一个东西
一句话结论
一、三个产品的时间点
| 产品 | 语音功能时间 | 官方来源 |
|---|---|---|
| 豆包「打电话」 | 2026 年 4 月 9 日接入全双工语音模型 Seeduplex,已在豆包 App 全量上线 | https://seed.bytedance.com/zh/blog/introducing-seed-full-duplex-speech-llm-attentive-listening-robust-interference-suppression-enabling-more-natural-interaction |
| Grok Bot | 2026 年 9 月 17 日起在桌面端和移动端推送语音模式 | https://x.com/bot/status/2100659464781394222 |
| Meta Muse | 2026 年 11 月 5 日起在美国推送实时语音对话与虚拟形象 | https://about.fb.com/news/2026/11/introducing-muse-ai-voice-expressive-avatars/ |
三次上线各有各的侧重。
Meta 这次给的是两套模型:Muse Realtime Voice 负责对话,Muse Realtime Avatar 基于同一条数据流生成表情和口型,所以声音和画面能对上。
Meta 的研究博客写明了延迟口径:Muse Realtime Avatar 输出 448×768 竖屏视频、每秒 25 帧,从用户说完话到收到第一个音视频响应的延迟约 870 毫秒(https://research.meta.ai/blog/bringing-your-muse-to-life )。
这篇博客还提到,单块 GB200 上每个生成步产出 8 帧、对应 320 毫秒播放内容,计算耗时 20 毫秒。 服务容量相比两步 BF16 基线提升 8 倍,单卡可支撑 12 路并发实时视频会话。
同一篇里说 Meta Realtime Avatar 在真人对比中以 78% 对 22% 胜过 Runway Characters、以 88% 对 12% 胜过 HeyGen LiveAvatar。
豆包这边给出的不是首字延迟,是一组相对改进。Seed 官方博客写明,相比半双工方案,判停 MOS 分提高 8%,对话流畅度 MOS 分提高 12%。
判停延迟降低约 250 毫秒,复杂场景下 AI 抢话比例相对减少 40%,打断响应延迟缩短约 300 毫秒,复杂声学干扰下的误回复率和误打断率降低一半。
大规模 A/B 实验里,通话满意度的绝对值提升了 8.34%。项目主页是 https://seed.bytedance.com/seeduplex 。
xAI 的数字在 API 定价页上:语音转语音(Speech to Speech)标价每分钟 0.08 美元,折合每小时 4.80 美元(https://docs.x.ai/developers/pricing )。
Grok Voice 3.0 于 2026 年 10 月 14 日上线,与 2.0 同价,grok-voice-latest 指向 3.0,2.0 已标记弃用(https://docs.x.ai/release-notes )。
7 月发布的 Grok Voice Think Fast 2.0 在 xAI 的公告里给出的首音延迟是 0.70 秒,同期对照的 Gemini 3.1 Flash(High)是 2.98 秒(https://x.ai/news/grok-voice-think-fast-2 )。
二、为什么语音成了派活的入口
在此之前 AI 语音基本停在聊天层,双方说完就结束。变化在于助手有了能动手的场合,所以开口说话变成了下达指令。
Meta 的官方公告把用途写得很具体:走路时、双手被占着的时候把要办的事说出来,Muse 在后台继续处理;也可以用来排练面试和演讲。
Meta 帮助中心的说明补充了一个细节,在语音模式下可以一边用手机做别的事一边和 Muse 说话,设备会显示麦克风正在使用,后台收听的开关在「设置 - Voice and Avatar」里(https://www.meta.com/help/superintelligence/1331373868832401/ )。
App Store 上的 Muse 条目还写了关掉 App 后仍在推进任务,并保留完整的操作日志。
豆包的路径不同,它是先有全双工模型,再谈派活。全双工指的是边听边说:用户停顿思考时模型不会抢答,用户插话时模型能立刻停下并收声。
Grok Bot 走的是工作型路线。xAI 官方文档把它的形态写成「聊天是主要界面,你也可以发起语音通话或者发语音条」,并且它跑在一台云端电脑里,关掉笔记本它还在继续(https://docs.x.ai/grok-bot/overview )。
三、花多少钱才能用
| 产品 | 免费额度 | 付费档 | 备注 |
|---|---|---|---|
| Meta Muse | 有免费额度,达到上限后可等刷新或升级 | Power 每月 20 美元,每周 5 亿个 Muse 词元;Maximum 每月 100 美元,每周 30 亿个词元 | 服务目前处于小范围测试阶段,仅在部分地区推出 |
| Grok Bot | 无独立免费档 | 随 The X Subscription 提供:Premium 每月 30 美元、Super 每月 100 美元、Ultra 每月 200 美元。Plus 不含 Grok Bot | 用量从该席位的共享周额度里扣 |
| 豆包 | App 内可用 | 本文未核实是否有独立语音订阅档 | 体验入口是 App 内「打电话」按钮 |
Muse 的订阅档位来自 Meta 帮助中心(https://www.meta.com/zh-cn/help/subscriptions/1021145227643680/ ),原文写的是「每周 5 亿个 Muse 词元」和「每周 30 亿个 Muse 词元」。Grok Bot 的价格来自 xAI 的定价文档(https://docs.x.ai/x-subscription/pricing )。
三家给延迟的方式不一样,不能直接比大小:Meta 给的是绝对毫秒数,字节给的是相对半双工方案的改进幅度,xAI 给的是 API 每分钟价格和首音延迟。
语音接口和订阅制是两种算法。xAI 的语音转语音按分钟计费,0.08 美元一分钟;Muse 和 Grok Bot 的语音能力走订阅额度,Muse 的额度单位是「Muse 词元」,Grok Bot 从该席位的共享周额度里扣。
用语音让它干多少活,决定了你实际消耗多少。
四、地区限制是硬门槛
这一条对中文读者最要紧。
Muse 的实时语音和虚拟形象从美国开始推。Meta 帮助中心对语音模式的表述是「Voice mode is only available in some countries」,但没有给出完整国家列表。
App Store 上 Muse 的条目是英文加另外 38 种语言,版本历史显示 15.0 版新增了语音模式和虚拟形象(https://apps.apple.com/us/app/muse-from-meta/id6760173601 )。
Grok Bot 的门槛在订阅和账号:官方文档写明 Premium、Super、Ultra 三个档包含 Grok Bot,Plus 不包含;旧版 Cursor 付费个人计划和自助服务的 Cursor Teams 也包含。
豆包不需要额外付费,但在手机代操作这件事上有个绕不开的边界。
豆包手机助手推出的《屏幕自动化操作声明协议》(SAEP)在 2026 年 10 月 14 日结束 30 天公示期,公布的拒绝清单共 155 款应用。 其中腾讯及关联生态 66 款、阿里及关联生态 23 款、快手系 14 款、美团系 11 款、萤石系 7 款,微信、QQ、淘宝、支付宝、美团、小红书、DeepSeek、Kimi 等都在列(https://36kr.com/p/4025601794101122 )。
名单仍在动态更新。
五、一个不该忽略的对照
语音交互的普及和心理依赖的研究结论方向相反。
MIT 媒体实验室与 OpenAI 合作的随机对照试验有 981 名参与者、28 天、超过 30 万条消息,比较文字、中性语音、有表现力的语音三种模式,结果是没有从实验条件本身检测到显著影响。
真正一致相关的是使用量本身,自愿用得越多,孤独感、情感依赖和过度使用指标越差(https://www.media.mit.edu/publications/how-ai-and-human-behaviors-shape-psychosocial-effects-of-chatbot-use-a-longitudinal-controlled-study/ )。
同一批研究还有一篇平台侧的大规模分析,覆盖 400 万条以上对话并调查了 4000 多名用户,结论是极高使用量与依赖指标上升相关(https://www.media.mit.edu/publications/investigating-affective-use-and-emotional-well-being-on-chatgpt/ )。
MIT 在页面上明确标注这些发现尚未经过同行评审。
六、给使用者的实际建议
- 琐碎事交给它。找地方、问小事、拍照识别是语音助手能真正省时间的场景,别指望它做复杂任务。
- 重要的事仍然用文字。复杂需求打字的表达精度更高,语音更适合当随手触发的入口。
- 看它能不能后台干活。Muse 的官方说法是关掉 App 后仍在推进任务,值得你自己验证一遍。
- 留意首次使用要授权什么。Muse 可以连接邮箱、日历、Instagram、Facebook、健康数据和财务信息,App Store 介绍里写明「Approve actions before they happen」,也有完整的操作日志。授权前把这些连接器逐个看过一遍。
- 心理依赖和使用顺手是两件事,值得分开看。
怎样检查
- 试一次散步时随口问一句,看响应延迟是否让你愿意继续用
- 给同一个问题分别用语音和文字问一遍,比较准确度
- 试一次打断,观察它是被迫停下还是硬把话说完
- 查一下自己所在地区和所用账号能不能开通语音,别先下载后才发现用不了
资料来源与未核实项
本文依据 Meta 官方公告《Give Your Muse a Voice》、Meta 研究博客《Bringing Your Muse to Life》、Meta 帮助中心的 Muse 使用说明与订阅方案页、字节跳动 Seed 团队的 Seeduplex 发布博客与项目主页、 xAI 的 API 定价页与 Release Notes、Grok Voice Think Fast 2.0 官方公告、Grok Bot 官方文档、The X Subscription 定价页、 MIT 媒体实验室与 OpenAI 合作研究的两篇论文页面,以及 36 氪关于豆包 SAEP 拒绝名单的报道。 文中所有时间、价格、延迟、比例数字均来自上述页面。
未核实项:
- Meta 的 870 毫秒是 Muse Realtime Avatar 音视频首响应的延迟,不是纯语音首字延迟,与 xAI 的 0.70 秒首音延迟、字节的 250 毫秒判停延迟改进不是同一个口径,不能直接横向比较。
- Meta Realtime Avatar 对 Runway Characters 和 HeyGen LiveAvatar 的对比是 Meta 自己做的评测,非第三方。
- MIT 与 OpenAI 的研究尚未经同行评审,样本约 1000 人、周期 4 周,结论需谨慎对待。
- 豆包是否有独立的语音订阅档位:本文未在官方页面查到,未核实。
- Grok Bot 语音模式按分钟计费的口径来自 Voice Agent API 的公开定价,本文未核实 Grok Bot 消费者端语音调用是否按同一标准计费。
- Muse 的完整可用国家列表官方未公布;App Store 页面显示的可用性与帮助中心的表述可能随时间变化。
- 本文未实测三家的语音功能,延迟与准确度均未自行测量。
有智能手机并使用过语音助手
适用范围:Muse / Grok Bot / 豆包 / ChatGPT 语音版本(2026 年 11 月)
以下来源方便你逐项对照;引用文档不代表已经完成实际操作测试。 本文标注为 AI 辅助起草。
- 极客公园 2026-11-08 报道,语音上线时间、延迟数据与交互门槛分析均来自原文。
- 核对了什么:用站内 docs/ops/md2html.py 把改写后的 Markdown 重新生成为 HTML 正文,并把原 HTML 里手工制作的 article-hero 对比块、交互演示 iframe 与图注原样搬到新正文前面。逐篇比对新旧正文的事实集合(数字、英文专名、URL),差集为空,7 篇均为「丢 0 项、增 0 项」,说明重生成没有丢内容、也没有编造内容。新正文的小节标题来自改写稿,表格恢复为可横向滚动的容器。没做什么:没有改动文中任何产品结论、价格、版本与限制条件;没有重新实测文中提到的产品;没有删除任何富组件。
- 2026-11-10 换图后重新核对:正文文字与事实未改,只把配图换成按该小节内容手写的中文示意图(图里的词就是正文里的词);正文引用的官方来源链接均已实际打开确认可达,示意图文件已上传到站内静态资源
- 核对了什么:本次只拆开正文里的超长段落(在句号处插入段落边界),一个字未改;富组件(导读、提示框、表格、图、嵌入)原样保留。拆之前逐段量过可见文字,超过 140 字的才拆。
- 2026-11-10 仅调整小节标题(「怎样检查」→「怎么试出自己到底能不能用」),正文事实、来源与结论未变;来源链接已实际打开确认可达,内容未做事实改动
- 极客公园 2026-11-08 报道,语音上线时间、延迟数据与交互门槛分析均来自原文。
- 正文改为 HTML 版式:事实、数字与来源链接逐项比对无变化,新增内容为配图与版式块
- 2026-11-10 补配图后重新核对:正文文字与事实未改,仅在对应小节末尾插入示意图;正文引用的官方来源链接均已实际打开确认可达,插图文件已核对存在并上传到站内静态资源
- 核对了什么:正文文字、事实与来源未变,本次只把正文里的 AI 装饰插画换成内容图解;新图解的标签与配色已逐张核对,中文无乱码、无越界。没做什么:没有新增事实、没有改任何数字,也没有实测文中提到的任何产品功能。
- 核对了什么:本次只做表达层改写(拆长段落、结论前置、删重复与填充句),数字、型号、版本、日期、URL、官方表述、否定表述(没有/不支持/不含)以及限制条件全部保留;改写前后用脚本抽取正文里的数字、英文专名与 URL 做集合比对,差集为空,说明没有丢事实。没做什么:没有新增任何事实,没有重新实测文中提到的产品,没有改动正文里已有的表格、清单、代码块与图。
发现内容与当前界面不一致?
提交内容纠错金额随意,多少都帮得上忙。AITime 的资料整理、事实核对和每日更新由个人完成, 没有付费墙,所有内容都可以免费读。
扫码使用微信支付,备注可以留空。
哪个工具卡在哪一步、想给文章补一个真实案例、都可以加我。 留言时写清来源和具体问题,我看到会回。
扫一扫添加好友,备注写「AITime」我更容易认出来。
讨论与使用经验
正在加载讨论…