纯语音Personal Agent来了！或许，这就是乔布斯心中的Siri
Jay发自 凹非寺 量子位|公众号QbitAI
关键是真的很有人味啊。即便你中途打断并派给它一个任务，比如「帮我回封邮件」，它也不会陷入尴尬的沉默。
AI圈打了这么久，每周各大厂商雷打不动瘫软一次，前沿也是花活频出，啥操控Blender、降维机器人、解决千禧难题……
离普通人太远了。绝大部分人的现实生活，短期内根本不会因为这些前沿突破发生哪怕一丝一毫的变化。
但我断断续续用了这个产品快一周后，我心里曾经关于AI时代的所有浪漫幻想，突然具象化了。
尴尬的Personal Agent
Muse的增速一度反超GPT，Agent彻底从极客手里的生产力工具，卷向了大众消费市场。
不知道大家怎么样，反正我只有最开始拿到邀请码那几天有点新鲜感，破天荒地给它开了通知权限。
打字实在太折磨了。更反人性的是它的主动推送机制，兜里突然震动一下，我还以为是啥紧急微信通知，结果在地铁上艰难地掏出手机一看，是Muse在提醒我一个八百年前就该过期的待办清单……
所以我一直觉得，Personal Agent这个市场，至今为止的解决方案仍然都是非常不成熟的。
绝大多数Personal Agent，全卡在同一个致命的死胡同里。我管它叫「一低两高」：
不管是订机票还是退订流媒体，听起来确实很酷。但这种复杂任务，你一个月能遇上几回？
后台每调一次大模型，上面这些场景都需要非常复杂的Tool Call，每一次Loop烧的都是真金白银。
技术原教旨主义统治这个行业太久了。但做个人伴侣这种产品，真不是光靠模型参数大、基准跑分高就能赢的。
语音才是真入口
文字是在语言出现很久之后才被发明出来的，主要用途也是为了知识传递，对日常交流来说其实不是必需品。
更重要的是，人在说话的时候，会不自觉地透露出 更多的个人上下文 （Conversational Context） 。
你不会只说「帮我订一张票」，你可能会顺嘴说「帮我订张去上海的票，下周三，上次那个酒店附近就行，对了这次预算紧一点」。
形态就是一颗水滴。并且跟手机的物理陀螺仪打通，你倾斜手机，它就像真实的水珠一样在屏幕缓缓滑移。
但说实话，我个人的使用频率不高，毕竟它这个基本就是拿兴趣标签做硬推，本质上还是换皮的信息流。
比如，你平时很关心Anthropic，但它从历史对话、长期记忆里知道，比起IPO，你其实更在意大模型生态的价值链重塑。
我们每天想跟进的事太多了：某家冷门创业公司、一场欧冠小组赛、或者某个断更很久的播客。
它会在后台7×24小时替你趴在信息源上，一旦有风吹草动，就在合适的时机主动向你汇报。
和其他Personal Agent一样，Orilo也是有连接器入口的，内置了一些常规插件。
同事A说，下周二Presentation的PPT需要你更新一下。
比如早上孩子学校突然发了封邮件，说放学时间提前到了下午三点。Orilo抓到这封邮件后，会在跟你语音过早报的间隙顺嘴插一句：
加上吧，提前半小时提醒我。
原来我只是个背了几千个考研英语单词的普通人o (╥﹏╥) o。
怎么让AI张嘴做事？
其实当前做语音Agent的团队，都快被同一个物理级死穴折磨疯了：深度推理与超低延迟，天生相克。
端到端原生音频方案： 音频直接进、音频直接出。速度飞快，情绪极其饱满自然。但致命伤是逻辑推理太差，稍微带点复杂逻辑的任务直接宕机。
级联架构 （ASR-LLM-TTS） ： 先听写、再让大模型想、最后合成语音念出来。智商是够用了，但延迟动辄1.5到2秒起步。这根本不叫对话，这叫拿对讲机喊话。
人机交互里有个极其残忍的心理红线：一旦声音延迟跨过1.5秒，对方只要没接话，你脑子里那种「在跟智慧生命沟通」的真实感瞬间荡然无存。
Orilo的破局解法，是把「交互层」和「执行层」在架构上彻底拆解，搭了个双层网络：
前端层： 挂一个超低延迟的轻量化语音模型，专门负责极速收听、捕捉情绪，确保任何打断和接话都能在瞬间给出反应。
后端层： 挂一个慢思考的高推理能力Agent，在幕后默默去读邮件、调接口、查日历。
这套双层思路业界其实都在做，OpenAI搞GPT-Live也是类似方向。但所有人都被同一个坑绊倒了：
我之前用GPT帮我回一封邮件，它欢快地答应了一声「好的」，然后整个手机陷入了整整两分钟的死寂。
当你让它去后台建日程的时候，它一边调度后端执行，嘴上一点都没闲着，顺着刚才聊到的新闻若无其事地往下递话。
整个交互没有哪怕一秒钟的死寂。就像现实里的资深行政，一边在工位上敲键盘给你订票，一边嘴里还在跟你聊行业八卦，两边都不耽误。
我实测的时候还发现一个很有意思的细节：当它需要轻微思考时，会极其自然地用「hmm……」、「uh……」这种拟人拟声词去填补缝隙。
在一个叫Full-Duplex-Bench的行业测评框架里，Orilo的表现非常亮眼。
耗时仅1.08秒，是测试里最快的。作为对比，GPT Realtime是1.50秒，Gemini Live更是重量级，要2.62秒。
有好几次它后台压根没调通接口，前端为了不冷场，居然一本正经地胡说八道告诉我「全办妥了」。
百川联创创业
当时做得就还蛮好的，在几十万的用户规模下，做到了次日留存50%、30日留存10%+的数据。
就像焦可自己在访谈里说的，他们很早就想做能记忆、能回邮件的「人」了。正如《Her》所描绘的一样。
One More Thing
无论是Claude Code、Codex还是Muse，这些一个接一个涌现的Agent新形态，都在反其道而行之——
它从来不追求成为一个无所不能的超级工具入口，这不是AI产品的使命，所以它从不希望用户视线一直停留在屏幕上。
当AI不再试图入侵我们的生活，它反而会成为那个每天早上在你床头、车里、厨房中，你愿意聊上几句的伙伴。
据Siri CEO Dag Kittlaus回忆，是乔布斯本人打了个电话过来约第二天见面，然后在Palo Alto家里和三位创始人聊了三小时。
我要把这部手机彻底改头换面……你再也不用一直点来点去、打字了。
清华姚期智团队新作：代数世界模型，让AI像牛顿一样思考 2026-11-01
老牌便利店机器人售货折戟：实验室锤炼上万次，货架前还是摔瓶子 2026-11-01
RSI立大功！国产开源登顶全球第一，1.3B OXR重塑OCR 2026-10-30
相关阅读
苹果禁用ChatGPT，为防机密泄露！大模型版Siri即将升级推出
苹果的新Siri：不男，也不女
苹果外包爆料：你手机里的Siri，听到了嘿嘿嘿的声音
苹果AI升级大泄露，Siri将在iOS18重生！库克重新定义AI为Apple Intelligence
苹果收购AI初创公司Voysis，为让Siri更聪明
苹果发力AI硬件，结果就是小度智能屏？？桌宠机器人也要等到2027……
热门文章
刚刚，DeepSeek重磅开源：Agent底座架构！
小米开源了个150元的AI小玩意，火到配件都涨价了
刚刚，Gemini 4 Carbon全面超越Opus 5.5！首发Token半价
Claude紧急叫停！暗改Harness禁止逆向游戏
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1