快餐店正在成为对话式人工智能（Conversational AI）下一步演变的试验场。我们（CB Insights Research）分析了语音人工智能（Voice AI）市场的快速增长，以及采用过程中的仍然存在和有待克服的障碍。

看起来语音人工智能可能找到了它的最佳应用：用来点一份薯条。

Yum! Brands——拥有塔可钟（Taco Bell）、肯德基（KFC）和比萨饼店（Pizza Hut）的公司，且在全球范围内拥有更大的餐厅网络——最近宣布与英伟达（Nvidia）建立合作伙伴关系，从四月份开始在数百家餐厅推出人工智能（包括人工智能语音订餐）。

类似地，Jersey Mike’s Subs与SoundHound合作，在50家门店进行人工智能语音订餐的试点，而Wendy’s如今则使用谷歌云大语言模型（LLM）来处理英语和西班牙语的订单。

语音人工智能有助于降低高流动性岗位的劳动成本，同时提高订单处理速度和准确性。这也意味着员工可以重新部署到食品准备或客户服务岗位，从而提高客户满意度。

然而，快餐只不过是语音人工智能的冰山一角。

以下是我们将要讨论的内容：

• 语音人工智能的重要性

• 市场成熟度

• 采用面临的挑战

为什么语音人工智能重要？

对于客户互动而言，语音对话比基于文本的渠道提供了更具表现力的沟通方式。

然而，行业仍然停留在电话机器人决策树和无休止等待的炼狱中。62%的中小企业（SMB）客户电话无人接听，而超过70%接通的商业电话仍然会让客户等待，大多数客户在几分钟内就会挂断。

人工智能语音模型的进步可能打破这一循环。语音人工智能模型正逐渐朝着直接处理音频的方向发展——而不是需要将其转换为文本，再用大型语言模型处理，然后再转换回语音——并且正在接近人类对话的节奏（延迟小于300毫秒）。

这一进展刺激了对语音人工智能解决方案的投资热潮，根据CB Insights的融资数据，这些解决方案在2024年获得了21亿美元的融资。到目前为止，2025年的势头依然强劲，各家公司在2025年第一季度筹集了近5亿美元。

ElevenLabs获得的1.8亿美元融资，投资者包括a16z、Salesforce Ventures和红杉资本（Sequoia Capital），这成为今年强劲开局的重要组成部分。ElevenLabs在成立仅三年后就已实现1亿美元的年经常性收入（ARR）。

总体而言，语音人工智能市场仍处于早期阶段，并面临着成长的烦恼。

市场仍然处于初期阶段

大多数语音人工智能市场仍处于商业成熟度的早期阶段，根据CB Insights的商业成熟度衡量标准，85%的企业位于等级1、2或3。超过一半的企业仍在开发或验证其产品，而39%的企业则开始进行商业分销并逐渐获取客户。

这里的大多数初创公司仅在过去三年内成立，下面的图表显示了这一点。2023年是一个突破性的一年，成立公司的数量同比增长了2倍，从35家增加到70家。

这一增长得益于语音人工智能模型的进步——包括OpenAI在2024年底推出的实时API，用于语音到语音的应用，这为各种用例的应用提供了推动力。

另一个表明语音领域火热的信号是：正在构建语音人工智能应用的公司在Y Combinator最近的创业团队中所占比例越来越大。

( CB Insights Research提供客户可以深入了解270家开发语音人工智能能力的公司的数据，重点关注语音生成。)

成长的烦恼

这一增长得益于语音人工智能模型的进步——包括OpenAI在2024年底推出的实时API，用于语音到语音的应用，这为各种用例的应用提供了推动力。

另一个表明语音领域火热的信号是：正在构建语音人工智能应用的公司在Y Combinator最近的创业团队中所占比例越来越大。

尽管前景令人兴奋，但在可靠性和信任方面仍然存在挑战。

语音人工智能代理在复杂对话和不可预测输入方面仍面临困难，这导致大多数企业开始时在低风险场景中部署它们。

理论上，快餐点餐应该是一个自然的应用场景——交互简短且高度可预测。人工智能只需理解有限的词汇，包括菜单项和修饰词。

但即使偶尔发生失误也可能带来较高的声誉风险。例如，麦当劳在2021年开始与IBM合作进行语音人工智能试点，但在2024年因不准确订单的视频在TikTok上走红而终止了该项目。

客户对语音人工智能交互的接受程度在不同地区也有很大差异。正如一位Cognigy客户告诉我们的：

“请注意，我们是在欧洲，这里客户对这些语音机器人并不是很喜欢。这是一个非常敏感的话题。我们需要稍微放慢脚步。聊天机器人通常不是问题，但语音机器人在客户中总是一个非常有争议的话题。”

——一家上市电信公司的创新负责人

与此同时，语音人工智能市场正在出现一个战略分歧：云端处理与边缘处理。

来自科技巨头的云端解决方案提供了先进的功能，但引发了隐私方面的担忧，而基于边缘的平台在数据处理上则在隐私保护方面表现更佳，但功能却更为有限。

一位医疗科技高管强调了这一权衡，他告诉我们，他们选择了Sensory而不是Microsoft或Amazon，尽管失去了更强大的功能：

“我确实希望Sensory能够拥有更多与Microsoft或Amazon的语音识别开发工作流程相匹配的接口和风格。此外，更强大的自然语言处理和识别能力将是有益的。权衡之处在于，Sensory可以在边缘处理的同时保持隐私，而不依赖大型云服务器集群。”

——一家上市医疗技术公司总监

这种分歧将决定哪些参与者在不同领域获胜，边缘解决方案可能在医疗和金融服务等敏感行业占主导地位，而云平台则在消费和零售应用中占优。

文章来源和易米编译自：https://www.cbinsights.com/research/voice-ai-market-opportunities/这项研究文章来自CB Insights通讯的4月1日版。