当AI学会倾听人类情感：LAION团队打造史上最精细的语音情感识别基准测试

这项由德国LAION协会联合慕尼黑工业大学、达姆施塔特工业大学等多个顶尖研究机构共同完成的研究，发表于2025年6月的arXiv预印本平台（论文编号：arXiv:2506.09827v2）。感兴趣的读者可以通过该编号在arXiv.org上找到完整论文。研究团队的核心成员包括来自LAION协会的Christoph Schuhmann和Robert Kaczmarczyk，以及来自各大学的多位专家。这项工作代表了语音情感识别领域的一次重大突破。

想象一下，如果有一天你的手机能够完全理解你说话时的情绪状态，不仅仅是听懂你说的话，还能准确感知到你是愤怒、悲伤、兴奋还是疲惫。这不再是科幻电影中的情节，而是研究团队正在努力实现的现实。然而，就像教会机器理解人类语言一样困难，让AI系统准确识别语音中的细腻情感更是一项艰巨的挑战。

当前的语音情感识别技术面临着一个根本性的困境。现有的研究就像是用粗糙的画笔试图描绘精细的工笔画，只能识别几种基本情感，比如开心、愤怒、悲伤等，完全无法捕捉人类情感世界的丰富性和复杂性。更麻烦的是，训练这些AI系统需要大量真实的情感语音数据，但收集这些数据却面临着严重的隐私和伦理问题。谁愿意让研究人员录制自己在痛苦、羞愧或者其他敏感情绪状态下的声音呢？

正是在这样的背景下，LAION团队推出了名为"EMONET-VOICE"的革命性解决方案。这个项目就像是为语音情感识别领域搭建了一座全新的训练场，不仅规模庞大，而且精细入微。整个项目包含两个核心部分：一个是名为EMONET-VOICE BIG的大规模预训练数据集，包含超过4500小时的合成语音，覆盖11种不同的声音、40种情感类型和4种语言；另一个是EMONET-VOICE BENCH，这是一个由心理学专家精心标注的基准测试数据集，包含12600个高质量音频片段。

这项研究的独特之处在于它完全采用了合成语音技术。研究团队巧妙地利用了最新的文本到语音生成模型，特别是GPT-4 OmniAudio，来创造出各种情感状态下的语音样本。这就像是请了一群永远不知疲倦的演员，能够按照指令表演出任何情感状态，而且完全不涉及真实人物的隐私问题。通过这种方式，研究团队成功地收集到了那些在现实中难以获得的敏感情感数据，比如羞耻、欲望、痛苦等状态下的语音表现。

一、突破传统束缚：为什么需要更精细的情感识别

传统的语音情感识别研究就像是用显微镜观察大象，虽然能看到一些细节，但始终无法把握全貌。当前最著名的数据集，比如IEMOCAP、RAVDESS等，虽然在过去十几年中推动了这个领域的发展，但它们都存在三个根本性的限制。

第一个问题是情感分类过于粗糙。现有的数据集通常只包含6到9种基本情感，就像是用几种颜色试图描绘整个彩虹光谱一样不够精确。真实生活中，人类的情感状态远比这复杂得多。比如说，"苦乐参半"这种复杂情感，或者"尴尬"、"嫉妒"、"沉思"这些细腻的心理状态，在传统分类系统中都找不到对应位置。这就导致AI系统在面对真实世界的情感表达时，往往显得笨拙和不准确。

第二个挑战是数据的代表性不足。现有的大多数数据集都是在录音棚环境中，由专业演员表演出来的情感语音。这就好比让厨师通过品尝食物模型来学习烹饪，虽然形似，但缺乏真实的味觉体验。演员的表演往往会夸大情感特征，而真实生活中的情感表达通常更加微妙和复杂。此外，由于隐私考虑，许多敏感的情感状态根本无法收集到真实数据。

第三个限制是规模化的困难。收集高质量的情感语音数据不仅成本昂贵，而且面临着许多法律和伦理限制。特别是对于开源研究来说，获得足够大规模的训练数据更是困难重重。这就像是想要建造一座大桥，但只有几根木条作为材料，根本无法支撑起现代深度学习模型的训练需求。

更深层的问题在于，现代情感科学理论已经发生了根本性转变。传统的基本情感理论认为人类有几种天生的、普世的基本情感，但新兴的构建情感理论却认为，情感是在特定情境中构建出来的复杂心理状态，而不是固定的生物程序。这意味着情感识别不应该是简单的分类问题，而应该是一个多维度、多层次的理解过程。

EMONET-VOICE的出现正是为了解决这些根本性问题。通过采用40种精细的情感分类，研究团队能够捕捉到人类情感表达的丰富性。通过使用合成语音技术，他们绕过了隐私和伦理限制，成功收集到了大规模的多样化数据。通过引入强度评级系统，他们将简单的分类问题转化为更加细致的量化评估。

二、构建情感宇宙：40种情感的精妙分类体系

研究团队构建的40种情感分类体系就像是绘制了一张详细的情感地图，每一种情感都有其独特的位置和特征。这个分类系统不是凭空想象出来的，而是基于当代心理学研究的坚实基础，特别是参考了著名的《情感手册》等权威文献。

这个情感分类体系覆盖了人类情感体验的各个维度。在积极情感方面，不仅包括了基本的快乐和兴奋，还细分出了狂喜、满足、感激、喜爱等更具体的状态。每种情感都有其独特的表达特征，比如狂喜往往伴随着高亢的语调和快速的语速，而满足则表现为平和稳定的声音特质。

在消极情感方面，分类同样精细入微。除了基本的愤怒和悲伤，还包括了痛苦、无助、怨恨、轻蔑等复杂情感。这些情感在语音表达上都有着微妙的差异，比如痛苦可能表现为颤抖的声音和不规则的呼吸，而轻蔑则可能体现在特定的语调变化和停顿模式中。

特别值得注意的是，这个分类系统还包含了许多传统研究中被忽视的认知性情感状态。比如专注、沉思、困惑、怀疑等，这些状态虽然情感色彩不如喜怒哀乐那样强烈，但在日常交流中却非常重要。专注状态下的语音通常节奏稳定、发音清晰，而困惑时则可能出现更多的停顿和语调上扬。

研究团队还勇敢地纳入了一些敏感但重要的情感状态，比如性欲、羞耻、嫉妒等。这些情感在传统研究中往往因为伦理考虑而被排除，但它们确实是人类情感体验的重要组成部分。通过合成语音技术，研究团队得以在不侵犯隐私的前提下研究这些敏感情感的语音特征。

更有趣的是，分类体系中还包含了一些独特的类别，比如身体状态相关的情感（疼痛、疲劳、中毒等）和社交情感（尴尬、挑逗、恶意等）。这些情感的加入使得整个系统更加贴近真实生活的复杂性。

每种情感都不是孤立存在的，而是在一个多维度的情感空间中有其特定位置。研究团队参考了著名的情感维度理论，特别是效价-唤醒模型，将这40种情感在不同维度上进行了定位。高唤醒的情感如愤怒和兴奋在语音特征上表现为更大的音量变化和更快的语速，而低唤醒的情感如沉思和满足则表现得更加平静稳定。

三、合成演员的精彩表演：如何生成高质量情感语音

创建EMONET-VOICE BIG数据集的过程就像是指挥一场永不落幕的情感表演，只不过所有的演员都是由人工智能生成的合成声音。这个过程既充满技术挑战，又需要创造性的解决方案。

研究团队选择了GPT-4 OmniAudio作为他们的"首席演员"。这个最先进的语音生成模型能够根据文本提示创造出极其逼真的人类语音，不仅在语调、节奏上接近真人，更重要的是能够表达出细腻的情感变化。为了让这位AI演员能够准确表达各种情感，研究团队设计了一套精巧的提示策略。

整个生成过程就像是一场精心编排的戏剧制作。研究团队首先为每种情感设计了具体的情境剧本，这些剧本不是简单的情感描述，而是能够自然引发特定情感的生活场景。比如，为了生成愤怒的语音，他们可能会设计这样的场景："你刚刚发现有人偷了你的午餐，而你已经饿了一整天"；为了表达尴尬，可能是："你在众人面前叫错了老板的名字"。

在提示设计中，研究团队特别强调了"从一开始就要表现出强烈的情感"这一点。这就像是告诉演员不要慢慢进入角色，而要从第一个字开始就全身心投入。同时，他们还要求AI要表现出自然的人类语音特征，包括语调变化、音量起伏，甚至适当的情感性发声（比如叹息、笑声等）。

为了确保语音的多样性和真实感，研究团队使用了11种不同的合成声音，其中包括6种女性声音和5种男性声音。这些声音不仅在性别上有区别，还在年龄、音色、说话风格等方面各有特色。这就好比组建了一个多元化的演员团队，每个人都有自己独特的表演风格。

在语言多样性方面，数据集涵盖了英语、德语、西班牙语和法语四种语言。这不仅仅是简单的翻译工作，而是需要考虑不同语言文化背景下情感表达的细微差异。比如，在某些文化中，愤怒的表达可能更加直接激烈，而在另一些文化中则可能更加含蓄克制。

最终生成的EMONET-VOICE BIG数据集规模达到了惊人的4500多小时，包含超过100万个音频片段。这相当于一个人连续不间断地听200多天才能听完所有内容。每个音频片段的长度在3到30秒之间，都以高质量的24kHz WAV格式保存，确保了音频质量的专业标准。

特别值得一提的是，研究团队还在英语部分加入了不同口音的变化，包括南方口音、英式口音、中国口音、法国口音、德国口音、印度口音、意大利口音、墨西哥口音、俄国口音、西班牙口音和德州口音等13种不同的语音风格。这种多样性确保了训练出来的模型能够更好地适应现实世界中的语音变化。

四、专家团队的精密标注：确保质量的人工智能训练师

如果说EMONET-VOICE BIG是一个庞大的训练场，那么EMONET-VOICE BENCH就是这个训练场中的精英选拔赛。为了创建这个高质量的基准测试数据集，研究团队组建了一支由心理学专家组成的"情感裁判团"，对精心挑选的12600个音频片段进行了严格的评估和标注。

这个专家团队的组建过程就像是招募奥运会裁判一样严格。所有参与标注的专家都必须拥有心理学学士学位或以上学历，确保他们对情感理论和情感识别有深入的理解。这不是简单的听音识别任务，而是需要专业知识背景的复杂判断工作。

标注过程采用了一套精心设计的三级评分系统。对于每个音频片段和特定情感的组合，专家需要判断该情感是否存在，如果存在，还要评估其强度。评分标准分为三个级别：0表示该情感完全不存在，1表示该情感轻微存在但不明显，2表示该情感强烈存在且清晰可感知。这就像是品酒师对酒的香气进行评级，需要既有敏锐的感知能力，又有准确的表达能力。

为了确保标注质量，研究团队设计了一套严格的质量控制流程。每个音频片段最初由两名独立的专家进行评估，如果两人都认为某种情感存在（给出1分或2分的评级），那么这个片段会被送给第三名专家进行确认。此外，还有一部分片段会随机分配给第三名甚至第四名专家进行评估，以监控整体标注质量。

在整个标注过程中，专家们是完全独立工作的，他们看不到其他人的评分结果，这确保了每个评分都是基于独立判断而不是群体偏见。同时，为了减少性别偏见对情感感知的影响，研究团队特意确保参与每个音频片段评估的专家组在性别构成上是平衡的。

标注工作的规模是惊人的。在整个项目期间，6名专家总共完成了33605个单独的情感标注，这意味着平均每个专家需要完成超过5600个独立判断。这个工作量相当于每位专家需要连续工作数周，专注于细致入微的情感识别任务。

标注结果显示了一些非常有趣的模式。某些情感，比如挑逗、尴尬和愤怒，专家们的一致性很高，这表明这些情感在语音中有着相对明显和稳定的特征。但对于其他情感，比如麻木、敬畏和沉思，即使是专业的心理学家也会有不同的判断，这反映了这些情感在语音表达上的微妙性和复杂性。

这种专家间的分歧并不是问题，而是有价值的信息。它告诉我们哪些情感是容易识别的，哪些是需要更多上下文信息才能准确判断的。这种信息对于训练AI模型来说极其重要，因为它帮助我们了解人类情感识别的边界和限制。

五、训练情感大师：EMPATHICINSIGHT-VOICE模型的诞生

基于精心构建的数据集，研究团队开发了名为EMPATHICINSIGHT-VOICE的新型语音情感识别模型。这个模型的开发过程就像是培养一位情感识别专家，需要经过多个阶段的训练和调优。

模型的核心架构建立在Whisper语音识别模型的基础上。Whisper本身是一个强大的语音到文本转换系统，但研究团队发现，原始的Whisper模型在情感理解方面几乎是"情感盲"的，就像一个只能听懂话语内容但完全感受不到说话者情绪的机器人。为了让Whisper获得情感感知能力，研究团队设计了一个创新的两阶段训练方案。

第一阶段是情感感知能力的培养。研究团队将EMONET-VOICE BIG数据集与额外的4500小时公开情感相关内容结合起来，对Whisper编码器进行持续预训练。这个过程就像是让一个人大量接触各种情感表达，逐渐培养出对情感细节的敏感度。在这个阶段，模型学会了将语音信号转换为包含丰富情感信息的内部表示。

第二阶段是专业化训练。研究团队冻结了经过情感预训练的Whisper编码器，然后在其上训练了40个专门的多层感知机（MLP）模块，每个模块专门负责识别一种特定的情感。这就像是在一个通用的感知系统上安装了40个专业的情感检测器，每个检测器都经过专门训练，能够准确识别特定类型的情感强度。

模型设计的巧妙之处在于其并行处理能力。当一段语音输入到系统中时，所有40个情感检测器会同时工作，各自输出对应情感的强度评分。这种设计反映了现实中人类情感的复杂性：我们很少只体验一种纯粹的情感，更多时候是多种情感的混合状态。

为了满足不同应用场景的需求，研究团队开发了两个版本的模型：EMPATHICINSIGHT-VOICE SMALL和EMPATHICINSIGHT-VOICE LARGE。小版本模型使用较小的MLP头部（74M参数），适合实时应用和资源受限的环境；大版本模型使用更大的MLP头部（148M参数），能够提供更高的准确性，适合对性能要求更高的应用场景。

在训练过程中，研究团队使用了平均绝对误差（MAE）作为损失函数，这确保了模型不仅能够正确分类情感的存在与否，还能准确估计情感的强度。这种训练方式使得模型能够提供更加细致和准确的情感分析结果。

模型训练的一个重要发现是，直接让Whisper输出情感评分是行不通的。最初的尝试中，模型总是输出无意义的数字序列，就像一个学生在不理解题意的情况下胡乱填写答案。经过多次实验，研究团队发现，通过中间的文本描述生成步骤，然后使用专门的回归模块，能够获得更好的效果。

六、测试情感智慧：AI模型的表现如何

为了评估各种AI模型在语音情感识别方面的能力，研究团队设计了一套全面的测试方案，就像是为情感识别能力举办了一场全方位的考试。测试对象包括了当前最先进的通用AI模型（如GPT-4o、Gemini等）以及专门的语音情感识别系统（如Hume Voice）。

测试结果揭示了当前AI系统在情感理解方面的真实水平，这些发现既有令人鼓舞的进步，也暴露了显著的局限性。首先，在整体性能方面，研究团队开发的EMPATHICINSIGHT-VOICE模型表现最为出色，其中大版本模型获得了最高的皮尔逊相关系数（0.421）和最低的错误率（平均绝对误差2.995）。这意味着该模型的情感判断与人类专家的判断具有较强的一致性。

有趣的是，在通用AI模型中，Gemini 2.5 Pro表现最好，显示出了不错的情感理解能力。这表明大型语言模型在经过适当训练后，确实能够在一定程度上理解语音中的情感信息。然而，其他一些知名的AI系统表现却令人意外地差强人意，特别是在处理敏感情感内容时，许多模型会直接拒绝提供评估，这反映了当前AI系统在情感识别应用中的实际限制。

更深入的分析显示了一个非常有趣的模式：高唤醒度的情感比低唤醒度的情感更容易被识别。在40种情感中，表现最好的是挑逗、尴尬和愤怒，这些情感的平均识别准确率达到了相当高的水平。这并不令人意外，因为这些情感往往伴随着明显的声音特征变化，比如音调的急剧变化、语速的加快或放慢、音量的起伏等。

相比之下，低唤醒度的情感识别效果就差得多。专注、沉思和满足这类情感的识别准确率明显偏低，有些甚至接近随机猜测的水平。这告诉我们一个重要事实：当前的AI系统更像是情感的"表面观察者"，能够捕捉到明显的情感信号，但对于细微、内在的情感状态却缺乏足够的敏感度。

另一个令人关注的发现是商业AI模型的"道德约束"问题。GPT-4o Audio和Hume Voice等系统在遇到某些敏感情感内容时会拒绝评估，拒绝率分别高达27.59%和39.16%。这些模型往往拒绝评估与性相关的内容、药物滥用状态或其他被认为敏感的情感状态。虽然这种设计出于安全考虑是可以理解的，但它也限制了这些系统在全面情感分析中的实用性。

测试还揭示了情感识别的一个根本性挑战：即使是人类专家，对某些情感的判断也存在显著分歧。研究发现，人类专家之间的一致性程度与AI模型的表现水平有很强的相关性。那些专家一致性高的情感，AI模型也表现得更好；而那些连专家都意见分歧的情感，AI模型的表现也相应较差。这个发现非常重要，因为它暗示了情感识别任务的内在复杂性，并为我们设定了合理的期望值。

七、情感识别的边界：发现与启示

通过对大量测试数据的深入分析，研究团队发现了语音情感识别领域的一些根本性规律和限制，这些发现就像是为这个研究领域绘制了一张详细的能力地图。

最重要的发现之一是唤醒度依赖的识别偏向。所有测试的AI模型，无论是通用的大型语言模型还是专门的语音处理系统，都表现出了同样的模式：对高能量、高唤醒度情感的识别能力远超过对低能量、内在情感的识别能力。这种偏向就像是AI系统都戴着一副特殊的"情感眼镜"，只能看到那些表现强烈、特征明显的情感状态。

这种现象背后的原因并不难理解。高唤醒度的情感如愤怒、兴奋、尴尬等，往往伴随着显著的声学特征变化：音调的大幅波动、语速的明显变化、音量的起伏、甚至呼吸模式的改变。这些特征对于当前的音频处理算法来说是相对容易捕捉的信号。相比之下，像专注、沉思、满足这样的低唤醒度情感，它们的声学表现往往更加微妙，可能只是在语调的细微变化、停顿的长短或者发音的清晰度上有所体现，这些细节对于现有的AI系统来说仍然过于精细。

另一个重要的发现是认知性情感识别的困难。研究显示，那些主要涉及思维过程而非强烈情感体验的状态，比如沉思、兴趣、专注等，是最难被准确识别的。这类情感的识别准确率普遍较低，有些甚至低于0.2的相关系数。这个现象揭示了当前AI系统的一个根本性限制：它们更像是在识别情感的"生理表现"而不是"心理状态"。

这种限制有着深层的含义。它表明当前的语音情感识别技术可能更适合识别那些有明显外在表现的情感状态，而对于需要理解说话者内在认知过程的情感识别任务，可能需要结合更多的上下文信息才能取得良好效果。这就像是医生通过观察病人的外在症状来诊断疾病，对于有明显症状的疾病容易诊断，但对于症状轻微或内在的疾病就需要更多的检查手段。

研究还发现了一个非常有趣的现象：人类专家之间的一致性程度似乎为AI模型的性能设定了一个上限。那些连人类专家都无法达成一致意见的情感类型，AI模型的表现也相应较差。这个发现具有重要的理论意义，它暗示着在某些情感识别任务中，问题的难度可能不在于算法的不够先进，而在于任务本身的主观性和复杂性。

这种主观性的存在并不意味着研究的失败，相反，它帮助我们更好地理解了情感识别任务的本质。情感不是客观存在的物理现象，而是主观的心理体验，不同的人对同一段语音的情感感知可能确实存在合理的差异。这种认识有助于我们对AI系统的能力设定更加现实的期望，同时也为未来的研究指明了方向。

在语言和文化差异方面，虽然研究涵盖了四种不同的语言，但初步分析显示，情感识别的基本模式在不同语言间是相似的。这表明情感的某些声学特征可能具有跨文化的普遍性，这对于开发通用的多语言情感识别系统是一个积极的信号。

八、技术突破的意义：从实验室到现实世界

EMONET-VOICE项目的意义远远超出了学术研究的范畴，它为整个语音AI技术的发展铺设了一条通向更加智能和人性化的道路。这项工作就像是为AI系统装上了"情感触角"，让机器不仅能听懂人说什么，还能感受到人在说话时的情感状态。

在技术层面，这项研究解决了语音情感识别领域长期存在的数据稀缺问题。传统的做法就像是试图用几滴水来填满一个游泳池，而EMONET-VOICE提供了一个规模庞大、质量上乘的数据源。更重要的是，通过合成语音技术，这个方法具有极强的可扩展性，可以根据需要生成更多的训练数据，涵盖更多的语言、方言和情感类型。

这种方法的创新性还在于它绕过了情感数据收集中的伦理难题。收集真实的人类情感数据，特别是那些涉及痛苦、羞耻、愤怒等负面情感的数据，往往面临着严重的伦理考虑。参与者可能会感到不适，研究者也需要承担心理伤害的风险。而合成语音技术的使用完全避免了这些问题，同时还能够生成那些在现实中难以收集的敏感情感数据。

从应用前景来看，这项技术的潜在用途几乎是无限的。在医疗健康领域，它可以帮助识别患者的情感状态，为心理健康诊断提供客观的辅助信息。在教育领域，它可以帮助智能教学系统更好地理解学生的学习状态，从而提供更加个性化的教学支持。在客户服务中，它能够让AI客服更好地理解客户的情绪，提供更加贴心和有效的服务。

在人机交互方面，这项技术的价值更是不可估量。未来的智能助手将不再是冷冰冰的工具，而是能够感知用户情感、给出恰当回应的智能伙伴。当用户因为工作压力而感到沮丧时，AI助手能够识别出这种情绪并给出合适的安慰或建议；当用户兴奋地分享好消息时，AI助手也能够表现出相应的兴奋和祝贺。

不过，研究团队也坦诚地指出了当前技术的局限性。合成语音虽然质量很高，但与真实人类语音之间仍然存在微妙的差异，这可能会影响模型在真实世界应用中的表现。此外，当前的模型主要是基于语音的单一模态信息，而在现实交流中，情感的表达往往是多模态的，包括面部表情、身体语言、语境信息等。

研究团队还特别关注了这项技术可能带来的伦理问题。语音情感识别技术如果被不当使用，可能会侵犯个人隐私，甚至被用于情感操控。因此，研究团队强调了负责任的技术发展和应用的重要性，呼吁建立相应的伦理准则和安全保障措施。

展望未来，这项研究为语音AI技术的发展指明了几个重要方向。首先是多模态融合，将语音情感识别与面部表情识别、文本情感分析等技术结合，构建更加全面的情感理解系统。其次是上下文感知，让AI系统不仅能识别当前的情感状态，还能理解情感变化的原因和趋势。最后是个性化适应，让系统能够学习和适应不同用户的情感表达习惯和文化背景。

说到底，EMONET-VOICE项目代表的不仅仅是技术上的进步，更是人工智能向着更加人性化方向发展的重要里程碑。它让我们看到了一个未来：在那里，机器不再是冷漠的工具，而是能够理解和回应人类情感的智能伙伴。当然，这个目标的实现还需要更多的研究和努力，但EMONET-VOICE无疑为我们在这条道路上迈出了坚实而重要的一步。

对于普通人来说，这项研究最直接的意义在于，它让我们离一个更加智能、更加懂得人心的AI世界又近了一步。也许在不久的将来，当我们对着手机倾诉烦恼时，它真的能够"听懂"我们的心情，并给出真正有帮助的回应。感兴趣的读者如想深入了解技术细节，可以通过arXiv:2506.09827v2查阅完整的研究论文。

Q&A

Q1：EMONET-VOICE能识别哪些情感？准确度如何？ A：EMONET-VOICE能识别40种不同的情感，从基本的快乐、愤怒、悲伤，到复杂的尴尬、嫉妒、沉思等。准确度因情感类型而异，对于挑逗、尴尬、愤怒等高唤醒度情感识别效果最好，而对专注、沉思等低唤醒度情感识别相对困难。总体而言，最佳模型与人类专家判断的相关性达到0.42。

Q2：这个系统会不会侵犯隐私？安全吗？ A：研究团队特别关注了隐私保护问题。整个数据集完全使用合成语音生成，不涉及任何真实个人的语音数据，从根本上避免了隐私泄露风险。不过研究团队也提醒，未来的商业应用需要建立严格的伦理准则，防止技术被滥用于情感操控或未经授权的情感监控。

Q3：普通人什么时候能用上这种情感识别技术？ A：虽然核心技术已经成熟，但要真正应用到消费级产品中还需要时间。目前这项技术更多用于研究和开发阶段。预计在未来几年内，我们可能会在智能客服、教育软件、健康监测应用中首先看到这类技术的应用，然后逐步扩展到智能助手和其他消费电子产品中。