苹果AI的「中国局」：联合高校发布大模型，是秀肌肉还是求生存？|apple|ios|中国局|国行|大模型|手机|知名企业|苹果ai|苹果公司

2024年的WWDC上，苹果公布了自家的人工智能平台Apple Intelligence。2024年秋季，Apple Intelligence在美国开启测试，后续逐渐拓展到更多地区。

不过，到目前为止，国行Apple Intelligence仍然没有落地。对此，苹果官方的说法是「Apple 智能推出时间依监管部门审批情况而定。」

（图源：苹果）

日前，知名苹果爆料网站9to5Mac发文称，苹果联合中国人民大学推出了VSSFlow新型AI模型，宣布在音频生成技术取得了突破。苹果此举不仅是一次AI技术实力的展示，同时似乎也在释放和国行Apple Intelligence相关的积极信号，Apple智能真的要来了吗？

无声视频自动配音，VSSFlow能解决哪些难题？

通过苹果和中国人民大学联合发布的论文以及9to5Mac的相关报道，我们可以了解到，VSSFlow的主要亮点是打破了以往「环境音」和「对话语音」需要分别生成的限制。具体来说，以往的大部分视频生成语音模型，都是把音频中的环境音和人声分开处理，而VSSFlow的优势在于一站式同步生成。

（图源：arXiv）

根据官方的说法，VSSFlow模型生成环境音的方式是每秒读取10帧视频画面作为线索，然后在随机噪声中逐步「构建」出画面的声音。这个表述听起来很简单，但实现起来并不容易。一段没有声音的视频，AI当然也不可能「听」得到，本质上还是根据视频画面来「猜」最接近最真实的环境音，比如判断出画面中的具体现实场景，再匹配相应的环境音。

VSSFlow对应的论文提到了关键的技术点——Flow-matching（流匹配），在AI世界中，模型需要通过杂乱的信息推理生成最可能的声音。视频画面中藏着声音对应的线索，AI就是要在这些杂乱的「噪音」和目标声音之间建立起到达的路径，也就是「流」。建立「流」的关键，是对视频画面和文字脚本的准确理解。

（图源：arXiv）

至于文本生成语音的能力，在早期就存在很多解决方案。比如说，早前的智能手机以及很多阅读App，都有TTS（文字转语音）功能，它们只要把文字直接转成语音库里的预制音频即可。不过，这种方案比较简单粗暴，声音听起来机械感明显，长句断句会很奇怪。AI时代，大模型加持的文字转语音体验得到了大幅升级，真人感更明显，无论是断句、语气还是情绪，都逐渐能做到以假乱真。

VSSFlow的视频生成人声技术，特点在于通过视频脚本+视频画面来生成音频，可以通过画面中人物的口型、表情等因素来匹配语音的语气、情绪、节奏等，从而生成更真实的AI人声。

开头说到了，VSSFlow能够同时为视频生成环境声和人声，根据官方描述，他们将视频信号和文本转录一起嵌入到音频生成的过程中。为了达到这一效果，研究人员进行了混合数据训练，具体表现为VSSFlow模型训练时使用了无声视频配环境音、无声说话视频配文本、以及纯文本转语音的数据。

简单总结下，VSSFlow是一款视频生成音频大模型，能同时为无声视频生成环境声和人声，核心优势在于通过流匹配技术提升了生成效率和音频质量。

用AI生成语音，有点用但仍然太局限

VSSFlow帮助视频生成环境音和人声的功能，具体能应用到哪些场景呢？小雷能想到的大概就是老旧电影的音频修复、失语障碍人士的辅助音频、影视作品配音等。毕竟，VSSFlow仍然需要依赖文字脚本来生成人声，不能只根据视频画面来推测出人声，这将让它更接近于一款更好用的配音工具。

目前市面上和VSSFlow最接近的大模型，应该是谷歌的Deepmind V2A（视频转音频）。V2A也是根据视频画面和文字脚本来生成对应的环境音和人物对话，它的技术方案是在视觉信息和听觉信息之间建立起映射机制。

具体来说，视觉信息包含的主要是空间、色彩、形状、运动等，听觉信息一般是音色、频率、节奏等，二者是不同的语义。将视觉特征和听觉特征进行多层次的映射，持续训练后，AI就能根据视频画面的信息「猜」出它应该匹配何种听觉特征的音频。

（图源：谷歌）

不过，在小雷看来，视频生成语音技术的应用场景，还是略微局限了一些。对普通用户来说，这项功能的作用不是特别大。作为对比，当下流行的视频生成技术，更加受创作者和普通用户欢迎。使用者只要用一段话、几张图片，就能快速生成一段高真实度的视频，实用性和趣味性都能瞬间拉满。比如最近的Seedance 2.0，刚上线就火爆全网，大量用户第一时间就尝鲜体验了。

（图源：雷科技，用Seedance 2.0制作）

但给无声视频配音这个场景，大部分人都很难遇到，毕竟我们不会无缘无故制作或者得到一段无声视频。它更加适用于影视制作行业中的某些细分领域，比如传统拟音师的工作。

我们在很多影视作品中听到的环境声和动作声，其实都是拟音师在录音棚里录的，比如敲击椰子壳模拟马蹄声、搓动门锁模拟手枪上膛声等。同时，VSSFlow根据脚本和画面生成人声的功能，和动漫声优所做的配音工作很接近。可以想象到的是，音频生成技术未来对影视行业产生的冲击力会相当大。

同时，VSSFlow为代表的语音生成模型，固然不太可能作为独立的应用向普通用户推出，但和其他AI技术结合，会发挥出更大作用。比如它可以和视频生成模型相结合，现在流行的视频生成模型制作出来的视频，大多会有配音。

不过，很多AI生成视频的背景音和人声质量都相对一般，如果有VSSFlow之类的语音生成模型助力，那么整体的效果会更好。实际上，谷歌Deepmind的V2A技术并没有以单独模型的方式发布，而是将部分功能整合在谷歌自家的视频生成模型Veo中。

苹果联手国内重点高校，国行版AI要来了？

对于苹果产品，VSSFlow能落地的场景，小雷首先想到的是无障碍功能。目前苹果设备的辅助选项中已经有实时语音功能，即用户可以手机上打字，然后转成音频。

（图源：苹果）

如果VSSFlow能运用到这个场景里，那么语言障碍人士就可以在FaceTime之类的视频通话中，边输入文字，边让AI结合视频画面生成更自然的人声。当然，这项技术也能作为苹果在AI领域的储备，为后续视频生成等功能或应用提供助力。

而且，苹果和国内重点高校合作、联合发布VSSFlow，无疑是在释放愿意深耕国内市场、推动国行AI落地的积极信号。在VSSFlow的论文中，署名者中六位是来自中国人民大学的学者，三位是苹果的研究员。在这个项目中，苹果扮演的角色更接近于支持者、参与者而非主导者。

目前，国行版Apple Intelligence尚未推出。按照苹果的政策，国行版iPhone等设备无法使用外版Apple Intelligence，未来外版硬件产品也不能用国行版Apple Intelligence。

基本可以确定的是，国行版Apple Intelligence的落地过程中，苹果会和国内AI巨头达成合作。之前的传言中，百度、阿里、DeepSeek等都是苹果接触过的厂商。2025年，彭博社知名记者马克·古尔曼曾透露，国行Apple Intelligence采用的方案是阿里提供本地模型支持，百度文心一言提供云端AI支持。不过，国行Apple Intelligence 2025年未能落地，主要原因在于遇到了一些工程难题，同时国行AI的表现比较一般。

不过即便忽略国行版AI缺位的事实，苹果的AI布局相对其他厂商是比较落后的。目前而言，海外版Apple Intelligence实现的功能和场景，其实没有太多特别之处，反而因为其相对羸弱的AI实力而被吐槽。比如说，苹果近年推出的生成式图片App「图乐园（Image Playground）」，就饱受批评。这款App对图片生成行为的管控非常严格，很多用户的需求都被拒绝，被吐槽为只适合儿童使用的产品。

Apple Intelligence还引入了外部力量来帮忙，主要是ChatGPT，后续还有Gemini。其中，ChatGPT植入到了Siri中，让Siri更像一个完全体的智能助理而非传统的语音助手。另外，AI相关的功能还有写作助理、图片消除等。只是，苹果这些所谓的AI功能，实际体验起来震撼感不够强，有点小打小闹的感觉。

而且，苹果为iOS 26画的AI饼，至今还没让用户吃上。根据最新消息，iOS 26.4的首个测试版将于2月底推送，会给AI带来一点变化。这次系统升级，主要就是Siri会得到增强，包括拥有上下文理解能力、跨应用操作能力和屏幕感知识别能力。坦率说，这些升级仍然不会有什么惊喜感，只是多少会让iOS 26变得更好用点。

作为对照组的三星，早在2024年就推出了AI手机，并且快速完成了国行手机的AI本地化。具体来说，国行版手机中负责文本理解和生成的大模型为百度的文心一言，具体在笔记助手、录音转录摘要等场景中发挥作用；它的生成式图片编辑器则集成了美图的奇想智能模型，实现智能消除、扩图等功能；国行版的即圈即搜功能，后台数据来源于百度搜索和京东。另外，三星国行手机也有部分端侧AI功能，通话实时翻译和分屏同传翻译，都是基于三星自研本地AI模型实现的。