一、学术铺垫期：从 ARPA 到 CMU Sphinx（1962-1990）

Shoebox 之后，美国国防高级研究计划局（ARPA）启动了一个秘密项目——研究如何让计算机听懂连续的语音，而不是孤立的单词。这个项目叫 SUR（Speech Understanding Research），从 1971 年开始资助卡内基梅隆大学（CMU）、斯坦福、BBN、IBM 四家机构。

1976 年，CMU 团队的 Harpy 系统成为第一个能听懂 1011 个单词的连续语音识别系统——这是当时的世界纪录。Harpy 的核心创新是有限状态网络 + 隐马尔可夫模型（HMM），这套方法论统治了语音识别领域整整 30 年。

1980 年，CMU 的 Kai-Fu Lee（李开复）首次将统计学方法大规模引入语音识别。1988 年，CMU 的 Sphinx 系统成为第一个用纯 HMM 的连续语音识别器，词错率（WER）降到 6%，是当时最好的水平。

与此同时，IBM 的 Fred Jelinek 在 IBM Watson 研究中心建立了语音识别部门。1975 年，IBM 的 Tangora 系统词错率已经达到 5.1%——但 Tangora 只能识别单个用户的声音，是个人化语音识别的雏形。

这一时期的语音识别有三个特征：

• **研究驱动**：主要由 DARPA、NSF 等政府机构资助，不考虑商业化
• **HMM 范式**：所有顶尖系统都基于隐马尔可夫模型 + 声学模板
• **孤立词**：能听懂单词，但听不懂连续的句子

到 1990 年代初，全球商用语音识别系统基本都源自 CMU Sphinx 或 IBM Tangora 技术，包括后来的 Nuance（基于 CMU 技术成立的商业公司）和 Dragon Systems（MIT 团队创业）。

二、桌面时代：Dragon NaturallySpeaking 让”口述打字”成真（1997-2010）

1997 年 1 月，Dragon Systems 发布 Dragon NaturallySpeaking——这是历史上第一个能”连续听写”的消费级语音识别软件。

Dragon NaturallySpeaking 2.0 词错率高达 25%——对普通用户来说”勉强能用”，对秘书和记者来说”解放双手”。1998 年 Nuance 收购 Dragon Systems，继续迭代版本。2004 年的 NaturallySpeaking 8 词错率降到 10% 以下。

Dragon 真正改变的不是技术，而是**人机交互的边界**——它第一次证明普通人也能让电脑”听懂话”。

但 Dragon 有致命局限：

• 必须朗读训练稿 30 分钟让系统适应声纹
• 词汇量小（5 万词左右）
• 对口音、语速、噪声极敏感
• 必须戴耳机和专用麦克风

所以 Dragon 的市场是**医疗病历录入、法律口述、记者采访**等垂直场景，不是大众消费。

同期（2000-2010），桌面语音助手还出现了：

• **Microsoft Agent**（2000 年）：Windows XP 上的动画小助手，但只能识别 30 个预设命令
• **Mac OS X Speech Recognition**（2006 年）：Mac 内置语音命令，能打开应用、读邮件
• **Windows Speech Recognition**（2007 年）：Vista 内置，可口述文档

但这些都不是真正的”助手”——只能执行预设命令，不能自然对话。

真正的突破要等到 2011 年 Siri 出现。

三、智能手机时代：Siri / Google Now / Cortana 的三足鼎立（2011-2016）

2011 年 10 月 4 日，Apple 在 iPhone 4S 发布会上展示了 Siri——这不是第一个语音助手（Google Voice Actions 2008 年就推出了），但是**第一个被主流消费者接受的”通用智能助手”**。

Siri 的故事要追溯到 2003 年——SRI International 的 Dag Kittlaus 和 Adam Cheyer 创立了 Siri 公司。2007 年，Siri 作为 iPhone 的第三方应用上线，能用语音调用 Yelp 餐厅、Web 服务等。2010 年 4 月，Apple 以 2 亿美元收购 Siri。

收购后 Apple 把 Siri 深度整合进 iOS 5（2011 年 10 月）。但 Siri 的核心能力前 5 年都没本质突破——它主要是”语音命令 + 网络 API 调用”，不能真正”理解”上下文。

同期，竞争对手：

• **Google Now**（2012 年 7 月）：Android 4.1 内置，主打”卡片式主动推送”（Google Now on Tap）
• **Microsoft Cortana**（2014 年 4 月）：Windows Phone 8.1 内置，名字来自 Halo 游戏
• **Amazon Alexa**（2014 年 11 月）：与 Echo 智能音箱一起推出，专注于家庭场景
• **Samsung Bixby**（2017 年 3 月）：Galaxy S8 推出，比 Siri 更深度集成系统控制

但 2011-2016 这一轮语音助手竞赛，**最大的赢家是 Amazon Alexa**，不是 Siri。

四、Alexa 时代：智能音箱把”语音助手”变成家庭基础设施（2014-2020）

2014 年 11 月，Amazon 发布 Echo——一个圆柱形智能音箱，内置 Alexa。它没有屏幕、没有键盘，只能用声音交互。这在当时看起来是”反智能手机”的设计。

但 Echo 切中了真需求：在家做菜时想设个闹钟、睡前想关灯、早上想听新闻——这些场景不需要屏幕，手机也不在手边，**纯语音交互反而是最高效的**。

Echo 一炮而红：

• 2014 年黑色星期五卖出 100 万台
• 2015 年累计销量 400 万台
• 2017 年累计销量 1500 万台
• 2018 年成为美国市场份额最高的智能音箱（73%）

Alexa 的核心创新不是技术，而是 **Skill 生态**。Amazon 推出 Alexa Skills Kit（ASK），允许第三方开发者为 Alexa 开发”技能”（类似手机 App）。到 2018 年，Alexa Skills 已经超过 5 万个——远超 Siri 当时的封闭生态。

Google 跟进推出 Google Home（2016 年 11 月）和 Google Assistant（2016 年 5 月）。Apple 跟进推出 HomePod（2017 年 6 月），但坚持封闭生态，到 2020 年 Skills 数量仍不足 1000 个。

中国市场同期：

• **阿里天猫精灵**（2017 年 7 月）
• **小米小爱同学**（2017 年 9 月，搭载于小米 AI 音箱）
• **百度小度**（2018 年 3 月）
• **腾讯听听**（2018 年 4 月，2019 年并入腾讯云小微）

中国市场的特点是**快速洗牌**——到 2020 年，小爱同学 + 小度 + 天猫精灵三家占据 95% 以上份额，其他全部边缘化。

**Alexa 时代的转折**：

• 2017 年 Echo Show（带屏幕）推出，让 Alexa 进入”语音 + 视觉”混合交互
• 2019 年 Alexa 推出 Conversational AI 更新，从”命令式”转向”对话式”
• 2020 年 Amazon 推出 Alexa Together，主打家庭和老人照护
• 2021-2023 年 Alexa 增长放缓，Amazon 在 2023 年裁员 Alexa 部门数百人——这是 Alexa 时代的尾声

五、大模型时代：ChatGPT Voice / 文心 / 通义 / 豆包的范式跳跃（2022-2026）

2022 年 11 月，OpenAI 发布 ChatGPT。2023 年 9 月，OpenAI 推出 ChatGPT Voice——首次将大语言模型（LLM）与语音通道无缝结合。

ChatGPT Voice 与之前所有语音助手的根本区别：

• **旧范式**：语音 → ASR（自动语音识别）→ 文本 → 命令识别 → 执行
• **新范式**：语音 → ASR → 文本 → **LLM 直接理解 + 生成** → TTS（文本转语音）→ 语音

旧范式下，语音助手只能执行预设命令（”播放周杰伦””设个 7 点闹钟”）。新范式下，语音助手能像人一样对话——你可以说”给我讲个笑话，关于程序员的”，它会用语气、停顿、笑点给你讲完一整个笑话。

2024 年 6 月，Apple 在 WWDC 推出 Apple Intelligence，其中一项核心能力是 **Siri 的 LLM 重构**——Siri 从”语音命令系统”升级为”对话式 AI 助手”。新 Siri 能维护多轮对话、参考用户历史、调用 App Intents 完成复杂任务。

同期 Google 推出 Gemini Live（2024 年 8 月），主打”边说边想”——对话中可见 AI 的思考过程（屏幕上有动画展示）。Amazon 推出 Alexa+（2025 年 2 月，基于 Anthropic Claude）。

中国市场同步爆发：

• **百度文心一言**（2023 年 3 月）+ **文心语音助手**（2024 年）
• **阿里通义千问**（2023 年 4 月）+ **通义晓蜜 / 钉钉 AI 助理**
• **腾讯混元**（2023 年 9 月）+ **腾讯 AI 语音助手 Chatterfly**（2026 年 9 月内测）
• **字节豆包**（2023 年 8 月）+ **豆包手机助手**（2026 年 9 月量产）
• **讯飞星火**（2023 年 5 月）+ **Spark-Audio-1.0 语音基座大模型**（2026 年 9 月）

中国厂商的差异化是**硬件载体**：

• 小米 SU7 车机内置小爱同学 Pro
• 华为问界 M9 / 享界 S9 内置华为智慧助手
• vivo X200 系列内置蓝心大模型语音助手
• 努比亚 NaviX Ultra 内置豆包手机助手

**2026 年的关键变化**：语音助手从”App”变成”OS 层基础能力”——不再是某个独立 App，而是嵌入到手机、车机、智能家居、可穿戴设备的底层能力。手机厂商在卷”端侧大模型”（不依赖云端），智能音箱在卷”全屋协同”，车企在卷”语音 + 车机 + 智驾融合”。

六、十字路口：语音助手的下一步是”消失”

六十年的语音助手史，最后一个趋势最反直觉：**语音助手会消失**。

2025 年的 Siri 已经不再是一个”App”——它散落在 iOS 各处：你打字时它在你键盘里，你拍照时它在你相册里，你开车时它在你 CarPlay 里。Amazon Alexa 在 2026 年推出了”Alexa Ambient”——一个不可见的全屋助手，藏在你家智能灯泡、智能门锁、智能窗帘里。

**语音助手的终极形态不是”另一个 App”，而是”消失成界面本身”**——它在你需要的时候出现，在你不需要的时候隐形。这才是 IBM Shoebox 那 16 个单词到今天 60 年技术演进的真正归宿。