Alexey Aylarov 与别人共同创立了 Voximplant，在此之前，他花了十年时间从零开始构建通信工具。他的早期工作包括 IP PBX 开发和在云电信成为主流之前运营自己的电信软件公司。之后，他开发了 Zingaya，实现了浏览器内的点击拨打功能。Voximplant 随后发展成为一个服务器less 平台，开发人员依赖它进行实时语音和视频通信。Alexey 撰写关于语音 AI 的实用方面的文章，特别是大型语言模型与全球电信的复杂现实相碰撞的地方。
关于AI产品的不舒服真相：您的竞争优势的保质期以周为单位，而不是年。虽然基础AI实验室在需要数年时间开发的模型上投入了数十亿美元，但应用层公司发现传统意义上的护城河并不存在。您的杀手级功能？在星期五之前就会被复制。您的技术优势？在下个季度就会消失。玩家的多样性、基础模型的可访问性以及创新速度创造了一个市场，在那里，成为第一个、最好的或不同的并不再能保证生存。但是，有一个违反直觉的出路：停止尝试用技术来赢，而是开始建立生存的能力。真正的护城河不在于您使用的AI，而在于您使用任何AI的能力。基础分歧有一个基础层——像ChatGPT、Grok和Gemini这样的大型模型。几十个模型，以不同的方式训练，每个都有其自己的优势。但这是基础的、研究密集的工作：工程师们为此工作了数年，需要大量的资源投入。每一个都具有独特的护城河——否则，资源投入就不能被证明是合理的。这就是为什么从OpenAI挖角工程师的尝试如此受到关注：他们拥有无法快速培养的独特专业知识。但是，在应用层，情况完全不同。需要的资源要少得多，虽然需要稍微更多的创造力来微调LLM并解决商业问题。每个人都有自己的游戏、自己的方法、自己的产品。玩家的多样性消除了在任何市场中拥有独特护城河的可能性——无论是文本、音频还是图像。基于基础AI的商业解决方案每天都在出现，公司也经常出现，而且它们往往无法区分。语音行业的可能区别说明了这种演变：最初，每个人都试图让声音听起来尽可能像人类，然后速度成为问题，每个人都开始快速解决同样的任务。现在，我们处于情感标签的时代。在语音识别中，主要指标——词误差率——随着能够理解上下文词语适当性的LLM的出现而显著改善。简而言之，缺乏护城河的原因是应用层产品存在的任何方面都缺乏深度：它在AI组件和商业应用方面都很肤浅。就像基础产品的护城河是由其开发的深度解释的一样。但是，应用层项目需要护城河吗？如果您在一个相对较大的市场中工作，并且竞争对手少于30个，您可以保持现状。当然，竞争对手可以是像OpenAI和Anthropic这样的大公司——但在这里，您需要依靠对市场规模和动态的主观感知，是否有足够的食物供所有人享用，或者没有。但是，如果市场相对较小，竞争对手像蘑菇一样涌现——那么您必须明确地确定您的竞争优势。即使竞争对手很快采用它，也无所谓。分销作为真正的护城河我怀疑在某种程度上这是一个有效的断言，真正的护城河在于分销领域，而不是技术本身。更重要的是，您如何快速扩大与客户的存在，以及产品的价值是否能确保良好的LTV。否则，您可以为用户构建一些B2C应用程序，他们可能会将其病毒式传播，但随后，当下一个新应用程序出现时，他们就会停止使用它。两种类型的优势——以及为什么只有一个会生存有两种竞争优势。第一种让您在这里和现在以明显的优势获胜——感谢某些独特的专业知识或杀手级功能，竞争对手根本没有。第二种让您在长期内避免失败，因为您正在建立可持续性。在AI产品中，现实世界的实践已经表明，第一种优势会被极快地抹去：竞争对手以惊人的速度缩小差距。这就是为什么专注于第二种优势更有意义：最大程度的产品耐用性。这是通过构建能够与任何LLM提供商合作并在当前业务构建的模型开始明显落后于下一个最佳模型时瞬间切换的产品来实现的。鉴于此，从底层LLM层的独立性成为比营销或技术努力更强大的护城河。供应商中立性不仅仅是一种很好的功能——它是当地面在您脚下每月变化时唯一可防御的立场。多模型策略的隐藏复杂性虽然供应商中立性提供了长期保护，但实施却揭示了重大的挑战。正如Alexey Aylarov解释的那样，“这并不容易，因为所有模型都有自己的特点/问题。”核心问题：LLM不可互换。同样的输入会产生不同的输出——即使在同一个LLM中，更不用说在不同提供商之间切换了。每个模型对提示和指令都有不同的反应：有些模型遵循指南更好，其他模型更差；性能可能是语言特定的或目标特定的。具体例子：考虑像Sora或Veo这样的图像/视频生成服务。给它们相同的输入，你会得到完全不同的结果。这种变异性适用于所有LLM应用程序。调优挑战：为了保持多模型兼容性，您必须： 为每个LLM创建单独的提示/指令以产生所需的结果 了解每个LLM的不同之处，并相应地调整输入 从事往往具有创造性而不是例行性的工作 接受这个过程“在大多数情况下相对难以自动化” 这需要对每个模型进行大量的调优工作。初始投资很大：您必须在可以自由切换它们之前为所有LLM开发提示。此外，这种准备仅涵盖现有模型——当新LLM出现时，调优过程又开始了。护城河来自于投资于测试基础设施、提示工程专业知识和运营纪律，以实际维护多个LLM的兼容性——并在景观演变时重复此过程。这种能力成为一种技术深度，竞争对手无法轻易复制，即使他们理解策略。悖论：您的护城河在于没有护城河供应商中立性的强大之处在于：它是随着市场变得更加混乱而变得更加强大的唯一竞争优势。当您的竞争对手在GPT-4上构建整个产品，而更好的模型出现时，他们面临着生存威胁。当您构建了切换模型的基础设施时，您面临的是星期二。能够生存下来的公司将不是那些选择了正确模型的公司——而是那些从来没有选择过的公司。是的，针对多个LLM进行构建很昂贵。是的，它需要具有创造性的工程工作，这很难自动化。是的，您基本上为每个提供商维护着平行的提示策略。但这正是创建了进入壁垒。护城河不在于技术本身——而在于管理技术变革的运营记忆。大多数AI公司都在为今天的胜利进行优化。中立的公司正在为明天的生存进行优化。在昨天的突破成为今天的基准的市场中，这种区别是至关重要的。
语音AI已经从实验性演示转变为日常运营。今天的企业将广泛的职责委托给自动语音系统，包括预约、入站线索资格、跟进电话、支持排除和招聘筛选。Omdia的 市场格局：对话式AI 2025 表明，77% 的组织正在投资对话式AI 作为其更广泛的数字战略的一部分。这一趋势得到了语音处理、自然语言理解、机器推理和电信集成改进的进一步放大。然而，语音AI的崛起也揭示了一个更深层次的结构现实。实时语音代理并不仅仅是一种技术。它是一个连接的管道，包括电信基础设施、大型语言模型、语音识别、语音合成、合规控制、转换逻辑、监控和路由。每个部分都带来了自己的延迟和成本。每个部分都有自己的性能限制和故障模式。没有单一的供应商可以从头到尾提供整个堆栈。这种碎片化创造了对编排层的明显需求，这些层可以将实时语音组件绑定成一个功能系统。它可以让开发人员免于重建电信逻辑，只为使语音产品可靠地运行、在负载下扩展或满足监管规则。它可以让企业在不被单一供应商的堆栈困住的情况下实时切换STT、TTS或LLM引擎。根本的变化很简单：编排将实时通信转变为开发人员可以编程和推理的东西，而不是电信布线的迷宫。实时语音AI下的复杂性生产级语音AI代理需要远远超过LLM和语音引擎。它依赖于必须在实时选择、连接、优化和监控的组件。这些包括：1. 大型语言模型LLM解释意图、生成响应和驱动推理。新的模型发布速度很快。Google的 新Gemini 3 Pro模型 带来了更广泛的上下文窗口和跨推理基准的具有竞争力的结果。OpenAI一直在更新GPT线，改进了多步骤规划，并提高了编码、分析和扩展上下文任务的一致性。由于模型行为和频繁的价格变化，语音AI堆栈必须支持模块化。2. 语音转文本（STT）实时转录必须处理口音、嘈杂环境和专业词汇。STT系统的性能并不均等；有些在对话环境中表现良好，而其他系统在技术语言方面更有效。独立评估，如 斯坦福语音识别基准 ，使这些差异变得明显。3. 文本转语音（TTS）自然语音不仅仅是文字。它依赖于语调、节奏和使声音感觉人类化的微小情感变化。可控的TTS系统现在可以通过调整音调、情感和传递来复制这些细节。 最近的研究表明 ，现代模型可以产生上下文感知的响应，从技术解释到更富有表现力的促销演讲，尽管在零样本设置中生成长、情感丰富的演讲仍然是一个挑战。4. 转换和中断处理AI何时发言的实时决定仍然是实时交互中最具技术挑战性的部分之一。人类在大约200毫秒的沉默后暂停、打断和切换角色。然而，语音对话代理仍然在700-1000毫秒的间隔后响应，使交互变得尴尬。基于沉默的逻辑无法解决这个问题。长时间的阈值会延迟响应，而短时间的阈值会在用户说话时中断他们。来自最近的口语对话系统技术工作坊的论文表明， 实时代理在预测转换结束时从韵律和时间线索中表现更好 ，通常与句法完整性相结合，而不是等待完整的句子。5. 电信连接电信仍然在国家法规、编解码器和路由限制的碎片化网络下运行。这些限制决定了实时语音系统在实践中的行为。 阿联酋阻止大多数未经许可的VoIP服务 ，并强制流量通过批准的本地路由。沙特阿拉伯对 VoIP流 施加了严格的控制，出于监管和安全原因。在拉丁美洲， 运营商在不均匀的基础设施上运行...
