WaveForms 亮相：ChatGPT 语音核心成员创业，想通过「语音图灵测试」

如果你用过大部分智能助手，大概都有过这种体验：不管你情绪多激动、声音带着叹气还是冷笑，对方回过来的语气永远波澜不惊。问题出在现在的语音 AI 大多只是个二道贩子，先把你说的话转成文字，理解完文字再转回语音念出来，中间的情绪和语调全丢了。

曾参与开发 ChatGPT 高级语音模式（Advanced Voice Mode）的核心成员 Conneau 创办了一家名为 WaveForms 的初创公司。他们成立的第一天，就把靶子立得极高：要让 AI 跨过所谓的「语音图灵测试」。

别再把声音拆成文本了

现在的语音助手之所以让人觉得出戏，主要因为技术链条的割裂。绝大部分系统严重依赖语音转文字（STT），但人类交流里超过一半的潜台词都在重音、停顿、语气助词和情绪里。文字能记下你说了什么词，却记不下你的语气。

WaveForms 想解决的就是这个脱节。Conneau 带领团队研发的 AI 模型，重点放在直接理解人类语音的情绪语境上，目标是能够精准解读并回应人类情感、捕捉语言中的微妙语境，最终实现真假难辨的自然对话。

所谓的语音图灵测试，说白了就是让你闭上眼睛和它打电话，你根本分辨不出电话那头究竟是真人还是机器。

先打消费级，再做垂直行业

在商业路径上，WaveForms 计划先从消费级应用切入，而不是一上来就给大企业做外包。

据报道，这一步主要是为了能直接接触海量普通用户，在真实的对话互动中收集数据，借此快速打磨和迭代模型的情绪捕捉能力。

等底座模型足够成熟后，他们才打算把技术推向教育、医疗和客户服务等企业级场景，打造更有同理心的人机交互体验。

为什么重要

对普通用户来说，WaveForms 暂时还没有端出可以直接下载体验的成品，但它代表了一个明确的信号：语音 AI 终于要摆脱朗读腔，走向真正的端到端情绪理解了。如果未来落地在个人助手或者虚拟陪伴产品里，它带给人的心理感受会完全不同。

对整个行业而言，这说明高级语音交互的核心技术和理念正在从大厂外溢。此前 OpenAI 推出高级语音模式时惊艳了全场，如今核心参与者自立门户，很可能会在端到端语音赛道上直接向老东家、Google 以及 ElevenLabs 等音频玩家发起冲击，逼着行业加速从文字转语音彻底切换到原生语音大模型。

我们认为，WaveForms 先做 C 端产品的策略看起来很聪明。情绪和语调的细腻程度很难在实验室里靠人工标注硬攒出来，必须依靠真实生活里的各种交流场景来喂养。但隐患也同样在这里：当一个声音无论语气、停顿还是情绪反馈都与真人毫无二致时，情感诈骗、深伪音频以及用户产生非理性情感依赖的风险都会被急剧放大。技术想跨过语音图灵测试或许只是时间问题，但社会规则和安全防护显然还没准备好。