Groq 聯手 PlayAI 推出語音模型 Dialog：支援阿拉伯語，每秒 140 字元

首次發布 2025年3月26日傳播指數 31

Groq 與 PlayAI 宣佈達成合作，將語音模型 Dialog 部署至 GroqCloud 平臺。Dialog 引入自適應語音語境技術，能結合上下文調整語氣情緒，且首發支援英語與阿拉伯語。得益於 Groq 的 LPU 晶片，生成速度達每秒 140 字元，比 GPU 快約 60%。

平時用語音 AI 客服，最怕兩件事：一是半天不接話，像卡帶；二是每句話都帶著毫無起伏的播音腔，哪怕你快被氣瘋了，它還在用歡快的語調念免責宣告。

Groq 和語音 AI 初創團隊 PlayAI 剛剛宣佈合作，把後者的全新文本轉語音（TTS）模型 Dialog 搬上了 GroqCloud。這套組合拳同時對準了延遲和語氣這兩個老大難問題。

讀懂聊天的上下文，而不是隻念單句

Dialog 最特別的地方，在於 PlayAI 給它設計的一套「自適應語音上下文器」（Adaptive Speech Contextualizer，簡稱 ASC）。

一般的 TTS 模型是把每句話切開單獨處理，機器根本不知道前一秒發生了什麼。ASC 則會記住整場對話的歷史背景，根據上下文去調整說話時的節奏、重音、停頓和情緒。

第三方測評機構 Podonos 的盲測資料顯示，在使用者偏好度上，Dialog 對陣 ElevenLabs v2.5 Turbo 達到了 10 比 1 的壓倒性優勢；即使對上 ElevenLabs Multilingual v2.0，偏好比也超過了 3 比 1。

這次上線的 Dialog 支援英語和阿拉伯語。據雙方介紹，這是第一個專門針對中東地區設計的語音 AI 模型，PlayAI 的創始團隊本身就來自中東和北非地區。

光有自然的語調還不夠，在即時對話裡，卡頓半秒都會讓人立刻出戲。

這就是 Groq 出場的地方。Groq 的自研語言處理單元（LPU）向來以低延遲見長。根據內部測試資料，Dialog 跑在 Groq LPU 上每秒能吐出最高 140 個字元，而跑在 GPU 上只有 86 個字元。

這意味著模型生成文本的速度達到了即時發音的 10 倍。Groq 首席營收官 Ian Andrews 提到，現在他們在 GroqCloud 上把語音識別（ASR）、大模型推理和文本轉語音（TTS）湊齊了，開發者不需要四處拼裝介面。

這筆合作背後還有一個龐大的算力背景：Groq 不久前剛拿到沙烏地阿拉伯 15 億美元的投資承諾，並在達曼建立了號稱該地區最大的 AI 推理資料中心。

目前 Dialog 已經通過 GroqCloud 開放，提供免費和付費的分層使用方案，支援客服、銷售排期、英阿音影片翻譯和無障礙閱讀等場景。

語音互動正在從「能聽懂、能念出」走向全雙工即時博弈，而延遲是這條路上最硬的門檻。

對開發者和中小企業來說，我們認為最大的利好是一體化。過去做一個語音助手，通常要在 Deepgram 接識別、OpenAI 跑邏輯、再調 ElevenLabs 生成語音，幾個網路來回一折騰，延遲很難壓到一秒以內。Groq 把鏈路收進自家晶片集群后，開發門檻和響應延遲有望同時降下來。

從行業競爭來看，ElevenLabs 在聲音表現力上的絕對護城河正在被挑戰。PlayAI 靠上下文理解拉高了自然度，而 Groq 則直接用晶片優勢去打 ElevenLabs 的推理成本與速度軟肋。

不過隱患依然存在。中東市場的阿拉伯語存在海量複雜的方言口音，Dialog 能在多大程度上適配本地化生活場景，還有待實際業務檢驗；此外，Groq 的整套一站式方案雖然誘人，但也會把開發者更深地繫結在它的專用硬體生態裡。