出品 | 《态度》栏目

作者 | 袁宁

编辑 | 丁广胜

最近，如果你足够 AI native，应该已经能看到一些新的办公习惯正在出现。

有人开始用 AI 语音输入写周报、整理会议纪要、起草邮件；自媒体博主为了生成更有“活人感”的口播文案，会先对着电脑讲一遍想法，再让工具整理成可以直接念的文本；一些程序员甚至给 Codex 配了一个麦克风，用语音来描述需求、改代码、调试问题。

语音输入不是新东西。真正变化的是，自然语言正在成为人控制 AI 的主要交互方式。

图注：R2T2登顶Hugging Face ASR Trending榜第一

图片来源：Hugging Face截图

这两个模型分别对应实时语音交互里的两个关键问题：一个是“听得快、听得稳”，一个是“译得快、译得准”。R2T2通过 Longest Stable Prefix 机制，让稳定文本可以先被提交给下游系统；T3PO 则解决实时翻译里的速度和质量平衡。两者组合后，语音交互就不必停在“说完、识别、翻译”，而可以向“边说、边听、边理解、边翻译”靠近。

这也解释了为什么有道要把子曰做成模型矩阵。网易有道首席科学家段亦涛的判断是，场景是千姿百态的，“并不是完全由一个模型就能够全部搞定”。尤其是实时交互场景，对响应速度要求很高，需要不同模型分工合作。模型矩阵的价值，就在于把不同能力放到各自更适合的位置上。

模型之上，是 Agent。

段亦涛回顾子曰发展时提到，有道一开始就没有把模型直接当成完整产品，而是把它看作一个“语言处理器”，再通过外部信息和组件，让模型真正给出正确和有价值的结果。换句话说，有道很早就在做后来被称为 Harness 或 Agent 的事情：不是把模型孤立出来展示能力，而是把模型接进业务逻辑。

模型决定产品聪不聪明，Agent 体验决定模型能不能变成生产力，工作流则决定产品能不能在真实业务里交付价值。

叭哥说、Hi Echo 和 AI 同传，正好处在这套结构的中间层。

再往上，是有道瞄向的关键场景。

在周枫看来，模型体现AI的“聪明”，决定能力上限；Agent让AI变得“能干”，将模型能力转化为实际行动。

这也是有道多年能力的延伸。周枫提到，有道现在看好的方向主要是学习、办公和营销，这几个方向都“特别费人力”，而这正是模型擅长创造价值的地方。

所以，叭哥说不只是一个语音工具，Hi Echo 也不只是一个口语陪练。一个从办公里的表达和执行切入，一个从学习里的练习和反馈切入，背后对应的是同一套逻辑：先有能处理实时语音和翻译的模型，再通过 Agent 把模型接进工作流，最后在办公和学习这样的高频场景里交付结果。

这件事当然还要继续被验证。用户会不会真的在办公室开口？语音整理出的文本能不能持续进入改稿、写作、编程和会议流程？免费能否换来足够规模？安全和本地策略能否形成信任？这些问题都还没有最终答案。

但趋势已经足够清楚。AI 应用的下一轮竞争，不只看谁的模型更强，也看谁能把模型、Agent 和工作流更早嵌进真实场景。有道把语音放进办公和学习场景，对应的正是这个变化。

“叭哥说”PC 端已全面上线，可访问官网 bug.youdao.com体验。