編輯｜杜偉

2026 馬年注定迎來一個「AI 味」最濃的春節(jié)。

一個與眾不同的玩家進(jìn)入我們的視線，它正是國內(nèi)最有活人感的生活和消費(fèi)社區(qū) —— 小紅書，卷起了「感知力」。

小紅書圍繞著發(fā)布、評論、搜索、社交等高頻互動場景，開放了多種 AI 語音新玩法，包括語音發(fā)布、語音評論、語音問一問、語音私信拜年等。

這些新奇有趣的語音玩法，帶來的直觀效果是：用戶之間的溝通媒介不再只是圖文，而開始了「動嘴」模式。

語音回帖讓以往冷冰冰的評論區(qū)有了「滿滿的活人感」，涌進(jìn)世界各地的語言、中國各地的方言，還有人秀起歌喉以及各式各樣的播音腔、磁性嗓、低音炮。

圖源：@牛角包大王 @別咬我兔耳朵

如果說語音評論增強(qiáng)了社交趣味性，這兩天正式上線的「語音問一問」則是社區(qū)搜索形態(tài)與功能的一次大變身。

它與傳統(tǒng) AI 搜索最大的區(qū)別是將真人經(jīng)驗與 AI 總結(jié)結(jié)合了起來，你搜索到的每一個答案，都是真實用戶的知識與經(jīng)驗沉淀。

在小紅書里直接搜「語音問就有活人答案」進(jìn)入活動頁面，便能開啟該功能。這個春節(jié)，年貨買什么、哪里好逛，開口問就行。

用戶還可以參與「語音問一問抽新春小紅盒、語音拜年、語音聯(lián)歡會」等特色迎春活動，互動起來更能感受到年味。

圖源：@甜甜圈

聲音，讓小紅書社區(qū)「活」起來

作為人類最自然的交流媒介，聲音的加入正在將小紅書改造成更有「聲」命力的社區(qū)。

先從語音評論說起，自開啟該功能內(nèi)測以來，各路網(wǎng)友腦洞大開，有人秀自己的正宗法式發(fā)音：

圖源：@labalibi

聲源：@nagono

上海話讓人想到江南煙雨中的溫婉女子：

圖源：@基尼斯貝貝.

聲源：@琉璃

一些歌手已開始在評論區(qū)一展歌喉，如楊丞琳：

圖源&聲源：@楊丞琳

不同曲風(fēng)的 K 歌接龍以及稀奇古怪的聲音模仿讓評論區(qū)充滿了歡樂：

圖源：@Han（天線短路寶寶）

聲源：@yearn

圖源：@兜兜有米

聲源：@灝-Mioarti

好玩之外，語音評論還可以很暖心。聽障人士向外界展示他們真實的聲音，這種人文關(guān)懷令人動容。

圖源：@聽障研究生~彤

聲源：@! ! !

上線即火爆的「語音問一問」功能，其 AI 增強(qiáng)搜索與問答能力讓體驗從手動翻閱一篇篇筆記進(jìn)化到一問即得。

很多明星都參與了進(jìn)來，比如曾參加過《歌手 2024》的美國男歌手 Adam Lambert 操著蹩腳的普通話發(fā)問「動口不動手」的含義，還請教了春節(jié)快樂的粵語表達(dá)。

我們也開口問了兩個問題，第一個是「北京春節(jié)有哪些年味濃的地方」，中間還進(jìn)行了追問。在識別語音之后，AI 很快根據(jù)小紅書站內(nèi)筆記生成結(jié)構(gòu)化總結(jié)，還進(jìn)行分門別類，比如經(jīng)典年味地標(biāo)、文藝小眾去處和老北京大集，最后還附上了出行小貼士。

接著問「臘月 23 小年的特殊含義以及南北方的差異」。從結(jié)果來看，AI 同樣調(diào)取站內(nèi)筆記，將其中零散的信息重組轉(zhuǎn)化為一份結(jié)構(gòu)嚴(yán)密的答案，清楚列出了南北方小年在日期、習(xí)俗、飲食、活動等方面的差異。

當(dāng)你想挑一些「看起來比較貴重，但又不是真的很貴的禮物」時，出來的這份答案能否滿足你的要求呢？

全新的玩法「語音發(fā)布」也已經(jīng)上線，不少明星用它來分享日常生活、發(fā)送祝福。

圖源&聲源：@王錚亮

從互動到搜索、再到筆記，AI 語音的全鏈路滲透，讓 2026 年春節(jié)的小紅書社區(qū)變成了「評論可發(fā)聲、搜索語音問」。

AI 語音落地，面臨多重關(guān)

在小紅書這樣用戶體量龐大的社區(qū)，AI 語音的順利落地需要解決好以下若干問題。

首先需要解決復(fù)雜場景下的音頻理解

小紅書的用戶分布極廣，存在大量地域方言、口音、不同年齡段或用戶群體的使用習(xí)慣（如耳語、中英夾雜等情況）。設(shè)備差異、背景聲音、嘈雜環(huán)境、語速同樣會影響識別的準(zhǔn)確性。

除了語義內(nèi)容，模型也需要感知用戶語音中的情緒、音色特點；音樂歌聲中的情緒、流派、風(fēng)格；自然界的風(fēng)聲、雨聲、海浪聲等環(huán)境音。

如果說聽懂是基礎(chǔ)，那么有溫度地回答是靈魂所在，也是實現(xiàn)自然交互的關(guān)鍵。這就要面臨第二大問題：如何讓音頻生成具備活人感

小紅書內(nèi)容場景風(fēng)格「千人千面」，要求模型根據(jù)場景靈活切換，拒絕一種腔調(diào)走天下。情緒表達(dá)要「連貫流暢」，不再是孤立地朗讀句子，而是能讀懂上下文的起承轉(zhuǎn)合；細(xì)節(jié)語氣也要精準(zhǔn)拿捏，還原語言的「弦外之音」。

這就要求模型在充分消化理解用戶上下文的同時，還要具備相應(yīng)的情緒感知能力。

最后，響應(yīng)速度直接影響用戶實際體驗

如果語音交互處理流程很長，用戶說完后總要經(jīng)歷幾秒鐘的「死寂」，系統(tǒng)才有反應(yīng)。這種非實時性會將原本連貫的對話切得支離破碎，體驗十分生硬。

天然優(yōu)勢之外，更有領(lǐng)先語音技術(shù)

對于小紅書而言，其打造多樣化 AI 語音能力具有天然優(yōu)勢：

一是豐富內(nèi)容形態(tài)，涵蓋圖文、筆記、視頻等多種形式，多元內(nèi)容結(jié)構(gòu)可以完美承載語音作為交互的中間媒介。二是相較于單純的短視頻平臺，在小紅書評論區(qū)插入語音不會導(dǎo)致體驗上的「打斷感」。三是小紅書的 AI 語音能力集成于主站核心場景，為技術(shù)提供了持續(xù)創(chuàng)新與優(yōu)化的空間。

這些優(yōu)勢使得小紅書成為 AI 語音落地的理想試煉場，但要達(dá)到如今的水平，更有堅實的技術(shù)支撐。

據(jù)了解，這些技術(shù)出自小紅書 Super Intelligence-AudioLab團(tuán)隊，負(fù)責(zé)人為風(fēng)龍。團(tuán)隊核心布局了語音識別、語音合成、全雙工語音交互及 ALLinOne 基座模型、音樂理解生成四大方向，支撐起小紅書在各業(yè)務(wù)場域的應(yīng)用探索。

在語音識別領(lǐng)域，自研FireRedASR大模型取得中文語音識別開源 SOTA 效果。近期，團(tuán)隊也準(zhǔn)備開源全鏈路 ASR 系統(tǒng)級解決方案 FireRedASR2S，包含靜音檢測、語種檢測、語音識別、標(biāo)點集成等模塊。

• FireRedASR 項目地址：https://github.com/FireRedTeam/FireRedASR
• FireRedASR2S 項目地址：https://github.com/FireRedTeam/FireRedASR2S

在功能上，F(xiàn)ireRedASR2 新支持 20 + 方言和口音，在中文普通話和方言公開的 24 個測試集上字錯率為 9.67%，相比之下，Doubao ASR 和 Qwen3-ASR-1.7B 的字錯率分別為 12.98%、10.12%。

另外，F(xiàn)ireRedLID 語種檢測模型支持 100 + 語種和 20 + 中文方言，語種準(zhǔn)確率達(dá) 97.18%，而 OpenAI Whisper 僅為 79.41%。FireRedVAD 支持 100 + 語種，在多語言語音 Fleurs 測試集上，它的 F1 分?jǐn)?shù)為 97.57%，開源 Silero-VAD 為 95.95%。

FireRedASR2 不同版本與競品模型的平均字錯率對比。

在語音合成領(lǐng)域，同樣做到中文對話長語音合成 SOTA。自研FireRedTTS2大模型支持 3 分鐘以上長對話生成，在多輪對話場景中，其音色穩(wěn)定性和自然度顯著優(yōu)于多家競品，代表了目前開源模型的最高水平。

該模型引入的情緒感知能力是語音「活人感」得以實現(xiàn)的關(guān)鍵，當(dāng)感知到用戶情緒低落時，語音中會自然地帶有安慰的語調(diào)，擺脫機(jī)械感。

更早之前的 FireRedTTS1/1S 主打單句生成與克隆，能夠精準(zhǔn)還原參考音頻的特色，目前穩(wěn)居該領(lǐng)域的開源第一梯隊。

• FireRedTTS1/1S 項目地址：https://github.com/FireRedTeam/FireRedTTS
• FireRedTTS2 項目地址：https://github.com/FireRedTeam/FireRedTTS2

FireRedTTS 系列模型與 OpenStoryline AI 視頻剪輯的結(jié)合，可以提供自然人感的語音生成能力。未來，團(tuán)隊將持續(xù)擴(kuò)展能力至播客、語音翻譯等多個場景。

表 3 為 FireRedTTS-2 在交互式對話場景微調(diào)后的情感控制準(zhǔn)確率，表 4 為 zero-shot 播客生成的客觀與主觀評估。

對于全雙工語音交互及 ALLinOne 基座模型，團(tuán)隊推出了業(yè)內(nèi)首個開源、支持私有化部署的全雙工語音交互系統(tǒng)FireRedChat。

針對傳統(tǒng) AI 反應(yīng)慢、亂打斷的痛點，系統(tǒng)通過自研的 pVAD（辨別聲音）和語義判停 EoT（聽懂意思） 技術(shù)，精準(zhǔn)判斷說話時機(jī)，端到端延遲低至 2 秒，反應(yīng)又快又穩(wěn)。其最大亮點是不依賴外部 API，即可實現(xiàn)一鍵本地部署。它讓 AI 不再是冷冰冰的機(jī)器，而是能共情、有溫度的伙伴。

FireRedChat 項目地址：https://github.com/FireRedTeam/FireRedChat

ALLinOne 基座模型實現(xiàn)語音、音效、音樂的統(tǒng)一編碼，完美打通泛音頻的理解與生成，帶來了音頻能力的涌現(xiàn)。同時通過支持多類型、深層次的標(biāo)簽分析，為語音評論的音頻內(nèi)容理解提供了堅實的基礎(chǔ)能力。據(jù)悉團(tuán)隊將于今年上半年和業(yè)內(nèi)分享開源模型。

在音樂理解與生成領(lǐng)域，自研的音樂理解與生成模型實現(xiàn)了對音樂的多尺度深層理解、創(chuàng)作意圖融合與靈活可控創(chuàng)作，將專業(yè)音樂創(chuàng)作的知識融入模型的理解 - 轉(zhuǎn)化 - 生成各階段，為從音樂愛好者到專業(yè)音樂人的不同用戶提供一體化音樂創(chuàng)作解決方案。

模型在音樂曲風(fēng)、情感、場景、節(jié)拍律動等多個維度的理解能力和高品質(zhì)生成能力已賦能小紅書音樂人創(chuàng)作，據(jù)悉同樣會在上半年和業(yè)內(nèi)分享開源模型。

在拿到模型測試資格后，我們也小試了一下，生成的一分多鐘的音樂效果不錯：

正是有了以上沉淀，小紅書構(gòu)筑起了一套覆蓋底層架構(gòu)優(yōu)化、高質(zhì)量語音合成、情感化語音互動、智能語音問答的完整技術(shù)棧，通過語音主導(dǎo)的人性化表達(dá)和問搜協(xié)同，營造一個兼顧交互趣味性與情感溫度的社區(qū)生態(tài)。

除了語音，整個 Super Intelligence 團(tuán)隊是小紅書面向未來內(nèi)容形態(tài)與通用智能的重要技術(shù)引擎，其負(fù)責(zé)人為湯神，目標(biāo)是構(gòu)建業(yè)界領(lǐng)先的多模態(tài)基礎(chǔ)大模型體系，并形成可持續(xù)演進(jìn)的通用智能能力。

團(tuán)隊包括 Audio Lab、Vision Lab、Foundation Lab 等實驗室，在內(nèi)容理解、視覺與多模態(tài)、圖像生成與編輯、語音理解與生成、Omni Model、特效渲染與影音體驗等方向長期對標(biāo)行業(yè) SOTA，同時強(qiáng)調(diào)模型能力在推薦、搜索、視頻 & 直播、電商、商業(yè)化廣告、國際化等復(fù)雜真實業(yè)務(wù)中的可用性與規(guī)?；涞亍?/p>

過去兩年，湯神及其團(tuán)隊先后主導(dǎo)了圖搜、內(nèi)容理解、創(chuàng)作工具升級等重大項目，并負(fù)責(zé)語音 & 多模態(tài) & 圖像生成與編輯等大模型。團(tuán)隊在學(xué)術(shù)與產(chǎn)業(yè)兩端同步推進(jìn)，累計發(fā)表了 40 余篇頂會與期刊論文，沉淀出 InstantID、StoryMaker、FireRedTTS、FireRedASR 等具有行業(yè)影響力的開源技術(shù)成果，成功孵化語音評論、文字大字報、長文、滿屏高清等多項站內(nèi)爆款功能。

結(jié)語

小紅書的 AI 語音探索，一方面讓用戶愿意嘗試好玩的語音評論，可以提升社區(qū)活躍度；另一方面，語音搜索讓用戶獲取信息像聊天一樣簡單，尤其適用于不習(xí)慣或不方便打字的群體或場景。

這樣的實踐也驗證了：在追求技術(shù)高度之外，體驗深度同樣重要。就拿最近火熱的 Agent 來說，用戶看重的不單單是能力的強(qiáng)弱，也在意交互自然度、意圖理解程度和服務(wù)無感化。

或許，最后拼的是能否以直觀、親和、高效的路徑觸達(dá)用戶，讓 AI 接地氣，在更自然的交互中實現(xiàn)價值。

文中視頻、音頻鏈接：https://mp.weixin.qq.com/s/DV-JSNHiciR76m_OyoM5tg