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。
