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

乔布斯心中的Siri，这次可能真的走进现实了。

长这样子——

图片

别的先不说，终于来了个审美在线的AI产品，这UI看着是真舒服……

但大的还在后面。

这语音助手，太魔幻了。

真就跟配了个私人秘书一样，边喝咖啡配面包，边听它汇报今日值得关注的新闻。

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。

视频来源

简直是电影《Her》里面的Samantha啊。

就离谱，换做五年前，这样的场景还只能电影院看到。

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……

但坦率地讲，我一直没觉得这些玩意儿有多让人兴奋。

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。

我甚至觉得——

这或许就是目前为止，最接近科幻电影，符合我所有浪漫幻想的AI助手。

它的名字，叫Orilo。

尴尬的Personal Agent

Personal Agent这个概念，最近确实被捧上天了。

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。

但我说实话，大部分体验真没比年初的「小龙虾」好到哪去。。。

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。

然后，就没有然后了。

图片

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……

我当时就…无语凝噎。

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」：

1. 使用频率极低。

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？

为了这么低频的破事，我还得跟它对齐半天，我为什么不顺手自己点了？

1. 交互摩擦极高。

你在开车、洗碗、炒菜、跑步的时候，双手和视线全被占得死死的。

这时候兜里一震，让你停下来掏手机打字跟AI盘逻辑，现实吗？

1. 运行成本极高。

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。

这种成本结构放在消费级产品上，想规模化普及，基本是天方夜谭。

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。

下一代能活下来的Agent，必须能悄无声息、高频地长在生活里。

语音才是真入口

这也是我觉得，Orilo这个产品，最打动我的地方。

它找到了一个非常符合直觉的新解法——

Voice-first，语音优先。

为啥我说语音对C端产品而言非常非常重要？

这是人最自然的交互方式。

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。

你想想，生活中太多时候是不方便阅读文字信息的了，开车、做饭、带娃……

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」。

这些「顺嘴」的信息，任何连接器里都找不到，但却是理解一个人的关键。

但这还不够。

语音能打的市场太多了，对于一个新AI产品来说，必须找到一个杀手级应用。

这也是我觉得Orilo第二个很聪明的地方，他们找到了一个刁钻的切入点——

早晨。

这是人一天当中信息处理频率最密集的场景。

刚睡醒，满脑子混沌，迫切需要知道外面的世界发生了啥、今天这摊子事该怎么安排。

但偏偏，这时候你手里抓着牙刷或者咖啡杯。

Orilo主要针对的，就是这个痛点。

完全解放双手，设备丢到一边，人只需通过语音接收信息。

在这期间，有任何需要吩咐的事，直接再通过语音向AI输出要求。

图片

泪目了家人们，终于有团队不是坐在人体工学椅上翘着二郎腿、脑补用户痛点了。

而且UI这一块，我觉得真的秒了。

终于，不再是千篇一律的对话框和满屏工具栏了。。。

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。

（ps：这才是C端产品该长的样子，注意登味啊老师们！！）

具体到实际场景这块，我说三个最吸引我的点——

1. 只属于你的晨报

简单来说就是新闻速递，Muse也有这个功能。

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。

图片

Orilo彻底换了个逻辑。

它不仅在盯发生了什么，更在琢磨这事对你意味着什么。

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。

所以大清早它给你播报最新融资动态时，会顺手带出一套贴着你工作视角的定制解读。

完全是个顶级行业分析师站在你床边，喝着咖啡跟你私聊。

图片

1. 替你死死盯住长尾信息

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。

但人的注意力极其有限，谁天天有空去手动刷搜索框？

现在只要动动嘴交代一句。

它会在后台7x24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。

1. 一句话闭环操作链条

当然，更多的可能性，仍然是在于跨APP子域获取上下文的能力。

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。

图片

以邮箱为例。

正听着资讯早报，你突然想起来今天的工作邮件还没看。

帮我看下我的邮箱。

Orilo会很自然地衔接Tool Call，两三秒就能把重要信息提炼出来：

同事A说，下周二Presentation的PPT需要你更新一下。

图片

当然，主动跟踪的能力也是有的。

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：

孩子学校今天提前放学，需要我帮你加个日历吗？

你一边挤牙膏，一边含含糊糊回一句：

加上吧，提前半小时提醒我。

搞定。

图片

从「重要信息截获」到「跨应用任务执行」，前后两句话，无缝闭环。

对比一下现在的竞品或许更直观一点。

让Muse翻个邮件，界面经常点了个赞就查无此人，二十多秒后才回消息。

图片

我当时反应就？？？

血压瞬间拉满。

当然了，毕竟是初代产品，我也有一个必须要吐槽的地方。

为啥只支持英文啊！！！

第一次感受到学英语的重要性，家人们，只有在真正需要全英语对话时，我才意识到：

原来我只是个背了几千个考研英语单词的普通人o(╥﹏╥)o。

不能选择母语的话，真的很影响信息交流效率。

当然也可能是中文语音模型相对没那么成熟的原因吧。

怎么让AI张嘴做事？

体验聊完了，咱们聊点底层的。

为啥Orilo的实时对话能做到完全不卡壳？

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。

行业里主流就这两派：

1. 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。
2. 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：

后端在大汗淋漓跑任务的这十几秒里，前端跟用户大眼瞪小眼，该干嘛？

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。

我当时就纳闷了：不是哥们，你这是在干活还是死机了？

这种「对话已终结、操作没结果」的漫长时间黑洞，体验烂透了。

而Orilo通过产品层的Trick，很聪明地解决了这个问题——

它给前端语音模型赋予了「边干活边闲聊」的控场能力。

图片

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。

虽然听多了后人机感也是蛮明显的，但至少是比惨遭AI「冷暴力」好多了。

口说无凭，数据也证明了这一点。

在一个叫Full-Duplex-Bench的行业测评框架里，Orilo的表现非常亮眼。

它最牛的地方，是被用户打断后重新开口的速度。

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。

图片

当然，我实测后发现，交互体验的提升，也不是没有代价。

这种极致追求响应速度的双层拼装，会牺牲鲁棒性。

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」。

结果我点开日历一看——空空如也。

但回到大方向上，这条技术路径应该是对的，只不过是时间问题。

百川联创创业

最后，照例说说背后的操刀团队，也是非常有意思。

创始人焦可，百川智能的联合创始人。

不知有朋友听说过不，去年他们拿出来过一个叫「来福电台」的产品。

核心就是做个性化Daily Brief的AI电台，和Orilo一脉相承。

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。

非常夸张了。

所以其实可以看出来，他们一直在打Voice这个场景。一切早已草蛇灰线。

回到Orilo本身——这个想法是怎么出现的？

「来福」的经历让他们验证了一个PMF，就是「早晨」这个场景。

但他们很快开始思考下一步：除了提供信息价值，AI+Voice，还能做什么？

答案就是Orilo。

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。

所以Orilo的出现，可以说是一次蓄谋已久的范式跃迁。

我们也了解到，团队早在今年年初，就已经启动Orilo项目。

大半年过去，拼图，终于全部集齐。

One More Thing

最后，再说一点东西吧。

说实话，完全从生活体验的维度出发，上一代互联网产品，真的做得蛮糟糕的。

争分夺秒把用户骗到自家平台上，绑住后立马原形毕露，疯狂投喂垃圾广告。

但如今，新一代AI产品的价值标尺，似乎正在出现变化。

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——

帮用户抢回那些曾经被互联网产品剥夺的时间。

让你把注意力，还给身边的人。

这正是Orilo选择Voice-first路线的初衷。

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。

有啥事，说就好了，搞定了直接进入睡眠。

但这份克制，可能才是Orilo最珍贵的地方。

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。

从「使用」一个App，到「相处」一个Agent。

一种全新的人机关系，正在萌芽。

2010年，乔布斯收购了由斯坦福研究院孵化的创业公司，Siri。

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。

乔布斯说，他要把Siri直接做进iPhone里。

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。

但大家也知道，LLM这项技术，迟到了十多年。

更可惜的是，不争气的Siri啊，至今没搭上AI新时代的浪潮。

我们也永远无法得知，如果乔布斯还在的话，Siri如今，又究竟会是什么样子。

图片

但如今，Orilo发布了——

乔帮主在十多年前寄托Siri的种种畅想……

终于，有了一个可以触摸的起点。