WaveForms 亮相：ChatGPT 語音核心成員創業，想通過「語音圖靈測試」

如果你用過大部分智慧助手，大概都有過這種體驗：不管你情緒多激動、聲音帶著嘆氣還是冷笑，對方回過來的語氣永遠波瀾不驚。問題出在現在的語音 AI 大多隻是個二道販子，先把你說的話轉成文字，理解完文字再轉回語音念出來，中間的情緒和語調全丟了。

曾參與開發 ChatGPT 高階語音模式（Advanced Voice Mode）的核心成員 Conneau 創辦了一家名為 WaveForms 的初創公司。他們成立的第一天，就把靶子立得極高：要讓 AI 跨過所謂的「語音圖靈測試」。

別再把聲音拆成文本了

現在的語音助手之所以讓人覺得出戲，主要因為技術鏈條的割裂。絕大部分系統嚴重依賴語音轉文字（STT），但人類交流裡超過一半的潛臺詞都在重音、停頓、語氣助詞和情緒裡。文字能記下你說了什麼詞，卻記不下你的語氣。

WaveForms 想解決的就是這個脫節。Conneau 帶領團隊研發的 AI 模型，重點放在直接理解人類語音的情緒語境上，目標是能夠精準解讀並回應人類情感、捕捉語言中的微妙語境，最終實現真假難辨的自然對話。

所謂的語音圖靈測試，說白了就是讓你閉上眼睛和它打電話，你根本分辨不出電話那頭究竟是真人還是機器。

先打消費級，再做垂直行業

在商業路徑上，WaveForms 計劃先從消費級應用切入，而不是一上來就給大企業做外包。

據報道，這一步主要是為了能直接接觸海量普通使用者，在真實的對話互動中收集資料，藉此快速打磨和迭代模型的情緒捕捉能力。

等底座模型足夠成熟後，他們才打算把技術推向教育、醫療和客戶服務等企業級場景，打造更有同理心的人機互動體驗。

為什麼重要

對普通使用者來說，WaveForms 暫時還沒有端出可以直接下載體驗的成品，但它代表了一個明確的訊號：語音 AI 終於要擺脫朗讀腔，走向真正的端到端情緒理解了。如果未來落地在個人助手或者虛擬陪伴產品裡，它帶給人的心理感受會完全不同。

對整個行業而言，這說明高階語音互動的核心技術和理念正在從大廠外溢。此前 OpenAI 推出高階語音模式時驚豔了全場，如今核心參與者自立門戶，很可能會在端到端語音賽道上直接向老東家、Google 以及 ElevenLabs 等音訊玩家發起衝擊，逼著行業加速從文字轉語音徹底切換到原生語音大模型。

我們認為，WaveForms 先做 C 端產品的策略看起來很聰明。情緒和語調的細膩程度很難在實驗室裡靠人工標註硬攢出來，必須依靠真實生活裡的各種交流場景來餵養。但隱患也同樣在這裡：當一個聲音無論語氣、停頓還是情緒反饋都與真人毫無二致時，情感詐騙、深偽音訊以及使用者產生非理性情感依賴的風險都會被急劇放大。技術想跨過語音圖靈測試或許只是時間問題，但社會規則和安全防護顯然還沒準備好。