语音交互：AI时代的范式转移，AI时代原生应用的最大特点之一。
随着GPT-4o的发布，语音功能受到了极大的关注，因为它是一种更自然的交互方式。许多人认为语音功能将成为大模型产品设计中的一个重要功能。今天，我们提出一个大胆的预测：“语音”这个增量有可能成为AI时代产品设计中最大的变量之一，它将带来应用的范式转移，而不仅仅是一个新增功能。“语音”对于AI时代的重要性，就像移动互联网时代的LBS（位置服务）和摄像头一样，会带来全新的机会。移动互联网的启示：LBS和摄像头带来创新的机会，创新越多，机会就越可能属于创业者。在PC互联网向移动互联网转变的过程中，除了把之前在PC时代的产品在新的硬件平台（手机）上重新做一遍的机会以外（比如QQ vs 微信，淘宝 vs手淘等）， 新增的机会都源自手机带来的两个新增功能——LBS和摄像头。例如，美团、滴滴、小红书和抖音快手， 而且这几个机会是全球通用的，在美国也对应分别诞生了Doordash, Uber, Instagram和Musical.ly(Tiktok)。这里我们可以看到，重新做的机会极大的可能性被“上一代”的公司抓住，虽然新兴的公司也有可能抓住时代的机遇比如Whatsapp，拼多多。但新增的机会全部来自于创业公司，无一例外。这里大致可以提出一个新的假设，创新越多，机会属于创业者的可能性就越大。图：移动互联网出现的新公司议古论今：聊聊现在AI应用层创业者面对的三个问题AI时代的变化：语音是AI时代带来的增量机会，存在破坏性创新。AI时代带来最直接和显著的变化首先是智能，但是如果用智能的方法把现有的应用做一遍， 恐怕大部分的机会会被现有的应用所攫取。在现有巨头林立的情况下，创业公司要在AI时代寻找增量机会，就需要找到类似于LBS、摄像头这样的能够带来范式转移的原生功能。我们认为语音是创业者需要重点关注的对象，原因有二：ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">第一，语音是AI时代带来的增量机会。在移动时代，因为技术不成熟，语音无法成为交互的入口，但是作为全球最大的超级应用之一的微信，它在一对一的对话中，语音发送量占比相当显著。因为语言是人类发出指令/交流的原始需求，文字并不是。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.034em;">第二，以语音为入口的应用，需要完全不同的产品设计，存在破坏性创新的机会。对于人类来说，语音输出其实是一种更自然的指令方式。想想看，工作中上级大部分时间是不是都是通过语言指令去传递工作任务的？我们做个思想实验。1） 假设语音成为更加高效的入口，对于产品经理的要求是更高了，还是更低了？我认为是更高了。因为其实产品不再是固定的设计，而是要能够做到类似初级“文员”一样，根据上级的指令，去完成一定的工作，并且还能学会反问，把上级没有解释清楚的地方，或者疏忽的地方，通过反问给补齐了。2） 语音是否比GUI更加高效，是否可以替代GUI？传统的GUI设计依赖于视觉和触觉，而语音优先的设计则是基于听觉和语言处理。这种设计能在很多场景下解放用户的双手，提高效率。例如，语音助手可以在用户开车、做饭等不方便使用手的情况下提供帮助，而传统的GUI在这些场景下则显得无力。这些场景也许今天占用户时间的比例比较低，但是随着用户可以脱离GUI的时间越来越多的话，未来还一定是GUI来主导吗？有人会问，那这个是不是代表个人助理的创业方向？简单回答不是，因为个人助理这个场景无法实现model product fit（参见我们之前的文章：AI创业新起点：Model-Product Fit(MPF)）。具体有哪些场景现在是可以实现model prodcut fit的？欢迎微信我们共同讨论和交流。从去年开始，我们团队就在积极探索AI硬件的机会，因为我们认为这波AI不仅给软件带来了新的机会，给硬件带来的机会更是前所未有。十年前兴起的智能硬件，终于可以“智能”起来了。同时，语音作为一种有效的输入，可以解决很多智能硬件没有屏幕，或者屏幕比较小的问题，但是通过语音输入，有机会解锁更大的客户价值。今天我们已经可以看到很多以语音为输入的设备在快速起量的过程中，包括Meta Ray-Ban眼镜/AI耳机的大卖，其实已经在一定程度验证了，语音作为入口正在进行中了。只是目前的使用量还不足够的大而已。未来会随着更加适合长时间携带的产品进一步普及，语音作为入口的机会会得到拓展。因为多模态的理解能力还在构建中，目前还不成熟。移动互联网的应用成熟时间大概也是LBS≈图片，早于视频应用。基础设施的构建还需要时间。从输出的角度来说，语音对于人类是更便捷和直接的输出方式，但是是应用的输入来源。视频更加适合展示，作为人类的输入来源。 |
