Groq 联手 PlayAI 推出语音模型 Dialog：支持阿拉伯语，每秒 140 字符

首次发布 2025年3月26日传播指数 31

Groq 与 PlayAI 宣布达成合作，将语音模型 Dialog 部署至 GroqCloud 平台。Dialog 引入自适应语音语境技术，能结合上下文调整语气情绪，且首发支持英语与阿拉伯语。得益于 Groq 的 LPU 芯片，生成速度达每秒 140 字符，比 GPU 快约 60%。

平时用语音 AI 客服，最怕两件事：一是半天不接话，像卡带；二是每句话都带着毫无起伏的播音腔，哪怕你快被气疯了，它还在用欢快的语调念免责声明。

Groq 和语音 AI 初创团队 PlayAI 刚刚宣布合作，把后者的全新文本转语音（TTS）模型 Dialog 搬上了 GroqCloud。这套组合拳同时对准了延迟和语气这两个老大难问题。

读懂聊天的上下文，而不是只念单句

Dialog 最特别的地方，在于 PlayAI 给它设计的一套「自适应语音上下文器」（Adaptive Speech Contextualizer，简称 ASC）。

一般的 TTS 模型是把每句话切开单独处理，机器根本不知道前一秒发生了什么。ASC 则会记住整场对话的历史背景，根据上下文去调整说话时的节奏、重音、停顿和情绪。

第三方测评机构 Podonos 的盲测数据显示，在用户偏好度上，Dialog 对阵 ElevenLabs v2.5 Turbo 达到了 10 比 1 的压倒性优势；即使对上 ElevenLabs Multilingual v2.0，偏好比也超过了 3 比 1。

这次上线的 Dialog 支持英语和阿拉伯语。据双方介绍，这是第一个专门针对中东地区设计的语音 AI 模型，PlayAI 的创始团队本身就来自中东和北非地区。

光有自然的语调还不够，在实时对话里，卡顿半秒都会让人立刻出戏。

这就是 Groq 出场的地方。Groq 的自研语言处理单元（LPU）向来以低延迟见长。根据内部测试数据，Dialog 跑在 Groq LPU 上每秒能吐出最高 140 个字符，而跑在 GPU 上只有 86 个字符。

这意味着模型生成文本的速度达到了实时发音的 10 倍。Groq 首席营收官 Ian Andrews 提到，现在他们在 GroqCloud 上把语音识别（ASR）、大模型推理和文本转语音（TTS）凑齐了，开发者不需要四处拼装接口。

这笔合作背后还有一个庞大的算力背景：Groq 不久前刚拿到沙特阿拉伯 15 亿美元的投资承诺，并在达曼建立了号称该地区最大的 AI 推理数据中心。

目前 Dialog 已经通过 GroqCloud 开放，提供免费和付费的分层使用方案，支持客服、销售排期、英阿音视频翻译和无障碍阅读等场景。

语音交互正在从「能听懂、能念出」走向全双工实时博弈，而延迟是这条路上最硬的门槛。

对开发者和中小企业来说，我们认为最大的利好是一体化。过去做一个语音助手，通常要在 Deepgram 接识别、OpenAI 跑逻辑、再调 ElevenLabs 生成语音，几个网络来回一折腾，延迟很难压到一秒以内。Groq 把链路收进自家芯片集群后，开发门槛和响应延迟有望同时降下来。

从行业竞争来看，ElevenLabs 在声音表现力上的绝对护城河正在被挑战。PlayAI 靠上下文理解拉高了自然度，而 Groq 则直接用芯片优势去打 ElevenLabs 的推理成本与速度软肋。

不过隐患依然存在。中东市场的阿拉伯语存在海量复杂的方言口音，Dialog 能在多大程度上适配本地化生活场景，还有待实际业务检验；此外，Groq 的整套一站式方案虽然诱人，但也会把开发者更深地绑定在它的专用硬件生态里。