deepseek 晚上体验了一下deepseek的语音通话功能，感觉还有很大的提升空间。目前的语音交互还存在很多不成熟的地方：

1.无法实时交互：模型只能倒豆子一样一说说一大通，人类要么需要主动打断语音，要么被硬控全部听完。而且在语音发出去的那一刻，回复已经全部生成完了，听语音的效率还没直接看文字高。

2.对说话慢、爱停顿、大喘气、结巴的人很不友好：话才说一半呢，系统却默认我已经说完了，直接输出回复了。

3.说错话了不容易修改：一紧张就容易嘴瓢，但是说出去又不能修改也不能撤回，还会被转换成文字变成永远的黑历史。。。

4.无法识别用户的音色、情绪：本质上还是识别文字，而非真正用语音交流。就算用户大哭一场，也会被识别为噪音……

5.多人声场景难以准确识别：旁人说句话也会被麦克风接收并转换成文字，最终输出牛头不对马嘴的回复。

6.上下文关联太强：这或许是一种优点，但是人类每一次打电话都是一次全新的开始，而不是无限接着上面的话题聊。虽然可以靠开新聊天框解决这个问题，但哪有每打一次电话就开一个新聊天框的。

7.语音模型本身有短板：读多音字很容易念错，多语言混读很容易串台等等