纯语音Personal Agent来了！或许，这就是乔布斯心中的Siri

Jay

终于，有了一个可以触摸的起点

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——

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。

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」：

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？

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？

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。

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——

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。

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。

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。

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。

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。

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。

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。

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：

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：

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。