【编者按】在人工智能浪潮席卷全球的今天，交互方式的变革正悄然重塑我们与科技的对话。当屏幕逐渐退居二线，声音悄然站上舞台中央——这不仅是技术的演进，更是一场关乎人类感知世界的哲学转向。 ElevenLabs 等先锋企业以情感化语音模型破局，联手大型语言模型的推理能力，让机器不再冰冷复读，而是成为懂得语气、理解情绪的“数字伴侣”。从手机回归口袋的畅想，到耳机、眼镜乃至汽车的无缝语音交互，我们正迈向一个“动口不动手”的智能新时代。然而，当声音成为24小时在线的数据入口，隐私的边界、监控的阴影也随之浮现。这场声音革命将如何平衡便利与安全？或许，答案就藏在下一句“你好，AI”之中。
ElevenLabs联合创始人兼首席执行官马蒂·斯塔尼斯泽夫斯基指出，语音正成为AI的下一个核心交互界面——随着模型突破文字与屏幕的局限，人们将越来越多地通过语音与机器互动。
在多哈网络峰会上，斯塔尼斯泽夫斯基向TechCrunch透露，像ElevenLabs开发的这类语音模型已实现重大跨越：它们不再仅仅模仿人类语音（包括情感与语调），更能与大型语言模型的推理能力协同工作。他强调，这正在彻底改变人机交互的格局。
他展望道：“未来几年，希望所有手机都能放回口袋，让我们沉浸于真实的周遭世界——而语音将成为操控技术的核心媒介。”
这一愿景驱动着ElevenLabs本周以110亿美元估值完成5亿美元融资，也日益成为AI行业的共识。OpenAI和谷歌已将语音定为下一代模型的核心，苹果则通过收购Q.ai等动作，悄然布局全天候语音协同技术。随着AI渗透进可穿戴设备、汽车等新硬件，操控方式正从“点击屏幕”转向“开口说话”，语音注定成为AI下一阶段的关键战场。
Iconiq Capital普通合伙人塞斯·皮埃尔庞特在网络峰会现场呼应了这一观点。他认为，屏幕虽将继续主导游戏和娱乐领域，但键盘等传统输入方式已开始显得“过时”。
皮埃尔庞特进一步指出，随着AI系统自主性增强，交互模式本身也将进化：模型将具备防护机制、集成能力与情境理解力，无需用户详尽指令即可精准响应。
斯塔尼斯泽夫斯基将这种自主性转变视为当前最重要的变革之一。他表示，未来的语音系统将不再需要用户事无巨细地说明指令，而是依靠长期积累的持久记忆与情境认知，让交互更自然、更省力。
他补充说，这种演进将直接影响语音模型的部署方式。尽管高质量音频模型目前主要依托云端，但ElevenLabs正推进云端与设备端处理的混合模式——旨在支持耳机等新型可穿戴硬件，让语音成为随时相伴的智能助手，而非需要手动启用的功能。
ElevenLabs已与meta合作，将其语音技术应用于Instagram及虚拟现实平台Horizon Worlds。斯塔尼斯泽夫斯基表示，随着语音交互向智能眼镜等新形态扩展，他也对与meta合作开发雷朋智能眼镜持开放态度。
然而，当语音日益深度嵌入日常硬件、成为全天候存在时，隐私监控与个人数据存储等严峻问题也随之浮现——随着语音系统无限贴近用户生活，谷歌等企业已被指控滥用此类数据。这场声音革命在打开便利之门的同时，也推开了通往伦理深渊的另一扇门。
