思必馳要上市了，但AI語音的護城河沒了

5月25日，思必馳向科創板遞交IPO申請。

作為國內最早一批AI公司，思必馳已經走過近二十年。但從業績來看，這家老牌AI公司的增長並不算快。2023年至2025年，公司營收分別為5.39億元、6.01億元和6.88億元，兩年複合增長率僅12.98%。

某種程度上説，思必馳正處在一個有些尷尬的時間點。

過去十幾年，語音技術一直是人工智能領域最典型的技術壁壘型賽道。Cerence、SoundHound、思必馳等公司，都受益於這一輪產業紅利。

但大模型出現之后，行業的底層邏輯正在被改寫。OpenAI、谷歌、阿里、字節等巨頭，正在把語音能力變成一種基礎能力。

於是一個問題擺在了所有傳統語音公司面前：當語音成為大模型的標配之后，它們還剩下什麼價值？

今天，我們就來聊聊思必馳，以及傳統語音AI公司的未來。

毛利率雖高，但仍然很難賺錢

從收入結構看，思必馳主要有三塊業務：車載業務、智慧辦公和智慧物聯。 

其中，車載業務是公司的基本盤。2025年，該業務收入達到2.76億元，佔總營收的40.08%。

所謂車載業務，本質上是為汽車廠商提供語音交互解決方案。目前，思必馳已經進入比亞迪、奔馳、大眾等多家車企供應鏈，車載語音裝機量市佔率達到22%。

第二塊業務是智慧辦公，包括語音轉寫、會議記錄、自由對話等軟件服務，以及智能吸頂麥、AI辦公本等硬件產品。2023年至2025年，該業務收入從1.8億元增長至2.43億元，是近幾年增長最快的板塊之一。

相比之下，智慧物聯業務則有所收縮。2023年至2025年，該業務收入從1.97億元下降至1.69億元，佔總營收比例也從36.63%下降至24.51%。

從盈利能力看，思必馳的毛利率並不低。

隨着軟件收入佔比提升，公司毛利率從2023年的53.69%提升至2025年的63.24%。

但高毛利並沒有轉化成利潤。

過去三年，公司分別虧損1.36億元、1.58億元和0.8億元。同期，期間費用率高達76.3%、79.5%和68.7%。

而這背后，與國內軟件服務行業長期面臨的商業化困境有關。

思必馳的大部分業務仍然帶有較強的項目制屬性。無論是車載語音、智慧辦公還是物聯網方案，每新增一個客户，往往都伴隨着額外的研發、適配、測試、部署和維護成本。

尤其是在車載場景，不同車企、不同車型甚至不同操作系統之間都存在明顯差異，很難像標準化軟件一樣實現大規模複製。

不過這並不是思必馳最大的問題。真正的問題在於，當通用模型的多模態能力足夠強，語音供應商的價值又在哪里？

大模型，正在吃掉AI語音公司

從去年以來，美股軟件股開始暴跌。 

其中，受到衝擊最大的板塊之一，就是傳統語音服務商。

2025年以來，SoundHound AI從年內高點22.17美元回落至約8.56美元，跌幅為61.39%；Cerence從27.5美元高點跌至11.87美元，跌幅約56.84%；聲網從6.99美元高點回落至4.25美元，跌幅接近39.20%。

股價下跌背后，一個越來越明顯的共識正在形成：語音技術本身，正在失去獨立價值。

過去二十年，語音行業一直建立在一條相對清晰的產業鏈上。

傳統語音AI的標準鏈路是典型的模塊化流水線：ASR（語音轉文字）、 NLU（意圖識別）、Dialog Manager（對話管理）、 TTS（語音合成），以及不同的場景需求。

過去很多語音 AI 公司有價值，是因為每一層都很難。比如，識別口音、抗噪聲、低延迟、喚醒詞、車內聲場、電話線路壓縮音質、多人打斷、語音合成自然度，這些都需要長期工程積累。

思必馳、雲知聲、SoundHound、Cerence，都是這一時代的受益者。

但大模型出現之后，這套邏輯開始發生變化。一方面，模型智能提升，帶來了更強的多模態能力。另一方面，大模型也把這些原本分散的模塊重新整合成了一個統一系統。

從目前來看，大模型的語音能力正在快速追趕甚至超越傳統語音廠商。

過去，語音行業最核心的指標是WER（詞錯誤率），即每100個詞里識別錯多少個詞。WER越低，意味着識別準確率越高。

傳統語音系統在理想環境下通常可以將WER控制在5%以內，但一旦進入車載噪音、電話線路、多人對話等複雜場景，錯誤率往往會明顯上升。

比如，2025年思必馳方案在新聞播報等相對乾淨場景下，WER約為4.8%；而在車載噪音環境下，則上升至12.3%。

相比之下，OpenAI開源的Whisper Large-v3不僅在標準測試集上實現了更低的錯誤率，在會議、電話、多人討論等真實場景中，也表現出較強的穩定性。

背后的原因並不複雜。

傳統語音公司長期依賴高質量標註數據。這類數據雖然精準，但獲取成本高、規模有限，很多企業積累十幾年的行業語料，總規模也不過數千到數萬小時。

而大模型可以利用公開視頻、播客、電話錄音、會議記錄、字幕數據以及用户反饋進行訓練。以Whisper為例，其訓練數據規模達到約68萬小時，遠遠超過傳統語音系統。

更大的數據規模，不僅讓模型接觸到了更多真實世界的複雜場景，也讓其具備了更強的上下文理解能力。

過去的語音系統更像是在識別關鍵詞，而大模型能夠結合前后語境理解用户真正想表達的內容。即便出現停頓、口誤或表達不完整，也能通過上下文完成糾錯和補全。

換句話説，傳統語音模型是在實驗室里成長起來的，而大模型是在真實世界里成長起來的。

這種變化正在快速傳導到產業層面，並帶來了一個問題：

如果OpenAI、Google、Amazon、字節跳動和阿里都能夠提供低延迟、高準確率的語音交互能力，那麼客户自然會問：為什麼還需要單獨採購一家語音供應商？

某種程度上説，語音能力本身就越來越像一種基礎設施，而不是獨立產品。

這樣的趨勢已經開始出現。

2023 年 OpenAI 就與梅賽德斯-奔馳達成合作，將 ChatGPT 接入其 MBUX 車載語音系統。谷歌也開始用Gemini 全面替代原有 Google 助手，並逐步將其內置到 Android 手機、Google TV、智能手錶等終端中。

國內同樣如此。豆包進入特斯拉中國區車載系統，通義千問則逐步接管天貓精靈背后的語音能力，並向智能家居終端延伸。

這些變化也給思必馳帶來了一個更嚴峻的問題：

當語音逐漸從獨立產品變成基礎能力，那傳統語音AI公司還剩下什麼價值？

本文來自微信公眾號「硅基觀察Pro」，作者：元元，36氪經授權發佈。