语音代理（Voice Agent）指能够通过语音与用户实时对话、理解意图并执行任务的 AI 系统，通常由语音识别、大语言模型和语音合成组合而成。近几个月，该领域在开源模型、企业落地和行业并购三方面都有明显动作，正从演示阶段进入实际商业部署。
语音代理近期进展
当前焦点与观察点
语音代理目前的竞争集中在三点：一是底层模型的低延迟与多语言能力，Mistral、Microsoft 等都在把转写和合成做成标准化产品；二是完整技术栈的整合，Inworld 收购 Ultravox 说明单独的语音平台正在被并入更大的代理生态；三是垂直行业的真实落地，医疗客服和患者预约是最先验证价值的场景之一。
值得关注的争议点在于可靠性：语音代理在嘈杂环境、口音识别和复杂对话打断处理上仍不完善，涉及医疗、金融等高风险场景时的合规与责任认定也尚未有明确标准。开发者侧则更关心成本，实时语音推理的开销明显高于纯文本交互，价格能否随模型效率提升而下降，将决定语音代理能否从头部企业扩展到中小客户。