摘要
- Hume AI CEO安德鲁·埃廷格在MTS播客上公开了公司内部用于评估语音AI的框架"CLEAR"。
- 他解释称，恰当的应答和理解能力排在前面，听起来像人的自然度只是第三个要素。
- 最后第四项则是看这一切能否在数百到数千次交互中保持一致。
Hume AI首席执行官安德鲁·埃廷格正面推翻了语音AI行业普遍奉为第一标准的评判方式。他指出，声音听起来有多像人类，其实只是评估语音AI时排在第三位的因素。埃廷格在X上发布的一段视频中，介绍了Hume AI内部用来为语音AI系统打分的框架"CLEAR"，并阐述了这一观点。
比声音质量更早被检验的东西
今年8月，Hume AI也曾与Hugging Face合作，实测并公开了11个开源语音识别（ASR）模型存在的基准测试记忆化现象。作为一家反复从事语音AI评分与验证工作的公司，这次的CLEAR框架也可以看作是这条工作脉络的延续。
埃廷格所说的CLEAR评估顺序是这样的：最先要看的是对话本身能否成立，也就是能否对对方的话给出恰当的回应。他表示，如果这一步就卡住了，其余项目根本无从谈起。第二项是听懂对方话语的能力——如果说得再好，却听不懂对方在说什么，对话同样无法成立。
只有这两项都通过之后，才轮到第三项——"听起来是否像人"。埃廷格解释说，即便应答内容和理解能力都对上了，如果声音听起来不自然，用户也不会愿意持续信任这个系统。而最后第四项，则是要看这一切能否在数百次、数千次的交互中，始终保持同样的语境和节奏。他的逻辑是：无论是用来做客服话务员，还是要让父母放心地用在医疗咨询上，光是偶尔表现出色是远远不够的。
"话说对了、也听懂了，但听起来不自然，照样没法信任"
埃廷格说："即便这两项都做对了，如果听起来不自然，用户也不会想持续信任它。"随着语音合成技术的发展，行业营销大多把"声音有多像人"作为卖点摆在最前面，相比之下，这家真正塑造这个市场的公司的负责人，却把这一项降到了第三位，这一点格外值得关注。
顺序为何被颠倒
这似乎意味着，随着语音AI越来越深入呼叫中心、医疗咨询等实际生活场景，比起声音听起来好不好听，能否让对话不中断、不丢失语境，才是更该优先验证的事。哪怕声音再自然，只要答非所问或者忘记之前说过的话，用户就可能因为这一次失败，从此不再信任整个系统。反过来说，一旦应答和理解稳定下来，自然度才会发挥它留住用户信任的长期作用——这正是CLEAR框架所描绘的图景。
编辑视角
翻看语音AI的营销文案，几乎都把"听不出是不是人声"放在第一行。然而，恰恰是这个市场里长期打造评估工具的公司CEO，把这一项排到了第三位，这应当被解读为一个信号：行业在卖的东西，和实际所需要的东西之间，存在着落差。凡是接入过语音AI的团队大概都有过类似的经历——演示的时候声音听起来相当出色，可一旦真正上线，用户往往聊上两三句就流失了。而大多数问题的根源，并不在于声音的音调，而在于系统丢失了语境或者答非所问。
对于国内正打算引入语音AI客服或智能体的团队来说，不妨直接把这套顺序当作检查清单来用。不要把声音自然度作为选择供应商的第一标准，而是先用真实对话记录，以几百条为单位去验证"是否给出了恰当的回应"和"是否准确听懂了"，然后再看自然度，最后才评估持续性。
未来几个月内，其他语音AI厂商很可能也会陆续公开类似的自研评估框架，抢先打出"我们是按这套标准来验证"的信息。因为在这个很难靠单一基准分数分出高下的市场里，评估方法本身也会成为一种营销资产。
评论