AREX Feed Article
Vercel 突然杀入语音 Agent：一声令下，AI Gateway 把音频也吞了
2026 年 6 月 29 日，Vercel 在官方博客和 X 上同步宣布：AI Gateway 正式支持语音。三项新能力——实时语音（Realtime）、文字转语音（generateSpeech）、语音转文字（transcribe）——全部上线 AI SDK 7，首批接入 OpenAI 的 GPT-Realtime-2 和 xAI 的 Grok-TTS。公告推文 12 小时内获得 916 次点赞、438 次书签和 12.6 万次浏览，CEO Guillermo Rauch 的转推更是收割了 494 个赞。
这不是一次常规的 SDK 小版本更新。Vercel 正在把语音 Agent 从一个需要单独选型、单独部署、单独付费的独立品类，变成 AI SDK 里的一个原生原语。
AI SDK 7 落地仅四天，语音就来了
三个 API 撑起整个语音栈
这次发布的核心可以用三行代码概括：
useRealtime：在浏览器端建立 WebSocket 连接，捕获麦克风，实时双向语音对话。一个 Hook 搞定连接管理、音频采集和播放。
generateSpeech：传入文本和音色，返回 MP3 等格式的音频文件。适合语音播报、有声内容生成。
transcribe：传入音频文件或 URL，返回转写文本。底层跑的是 OpenAI Whisper-1。
但这三个 API 最关键的架构决策藏在一句话里：实时语音不是把 STT→LLM→TTS 串起来，而是让一个原生多模态模型直接吃音频、吐音频。 Vercel CTO Malte Ubl（前 Google 工程师，现 Vercel 基础设施负责人）在引用推文中点明了底层基础："上周我们在 Vercel 平台上发布了 WebSocket 支持，这周 AI Gateway 团队就基于它做出了实时 AI 模型。"
这意味着什么？语音 Agent 的延迟不再取决于三个模型的串联耗时，而是一个端到端模型的单次推理。用户可以在对话中随时打断（barge-in），服务器端 VAD（Voice Activity Detection）自动判断说话结束，模型还能在对话中间发出工具调用——比如用户说"帮我查一下明天旧金山的天气"，模型可以在不中断语音回复的情况下调用天气 API，把结果织进下一句话里。
安全设计也有巧思：客户端拿到的只是一个短期 Token（通过 /api/realtime/token 路由生成），API Key 永远不会暴露到浏览器。Vercel AI 团队的 Kevin Dawkins 在推文中评价道："在一个流里同时搞定带打断和工具调用的实时语音？这就是正确的方案。"
从音频直通模型，跳过拼接流水线
要理解 Vercel 这次的动作有多激进，需要先看清楚传统语音 Agent 的技术栈是怎么搭的。
在 Vercel 的方案出来之前，开发者如果想做一个能对话的 AI Agent，通常需要拼三块积木：用 Deepgram 或 Whisper 做语音识别，把文本喂给 GPT 或 Claude，再把回复交给 ElevenLabs 或 Play.ht 合成语音。三块积木之间靠 WebSocket 或 gRPC 串联，每一步都有延迟，每一步都有独立的错误处理。更麻烦的是，每块积木都要单独签合同、拿 API Key、管账单、做监控。
Vercel 的方案把这三块积木压成一块。在客户端代码里，你只需要：
const { status, connect, startAudioCapture } = useRealtime({ model: gateway.experimental_realtime('openai/gpt-realtime-2'), api: { token: '/api/realtime/token' }, sessionConfig: { voice: 'alloy', turnDetection: { type: 'server-vad' } },});一个 Hook 等价于过去需要三个 SDK、三个服务商、三套错误处理才能搭起来的链路。
在服务端，generateSpeech 和 transcribe 同样干净。用 Grok-TTS 把文字变成语音只需要四行；用 Whisper-1 转录音频同样不超过四行。两个 API 天然互补——你可以用 Grok-TTS 生成一段音频，再用 Whisper-1 把它转回来，用最小的成本验证整个音频链路是否通畅。
更值得注意的是 "Playground"。Vercel 在模型页面里直接嵌入了语音交互的测试能力，开发者不需要写一行代码就能在浏览器里跟实时模型对话，或者发送文本/音频测试 TTS 和 STT。这个细节说明 Vercel 不只是把 API 挂上去，而是把语音当成一个需要开发者上手体验、而不仅仅是读文档的产品来设计的。
底层的路由机制也没有另起炉灶。音频调用和文本、图片、视频走的是同一个 AI Gateway——同一套 Provider 路由、同一套可观测性、同一套预算和时间控制、同一套 Bring Your Own Key。对于已经把 AI Gateway 用在文本和图片上的团队来说，加语音功能不需要迁移任何基础设施。
但有几个值得留意的限制：useRealtime 目前是 React Only（Vue 开发者已经在推文评论区表达了不满）；支持的模型目前只有 OpenAI 的 GPT-Realtime-2 和 xAI 的 Grok-TTS，ElevenLabs 和 Google 的实时 API 还未接入；所有语音能力标记为 Beta。
"又一家语音 Agent 初创死了"
这句话不是编辑写的。它来自推文评论区两条高赞引用。
拥有 2.2 万粉丝的独立开发者 Can Vardar（@heycupola 创始人）发推说："我甚至数不清这条公告杀死了多少家初创公司。"这条推文在几小时内拿到 28 个赞和 3 次转发。另一位 X 用户 @mrloldev 写得更直接："vercel 刚刚杀了 livekit 和 vapi。"还有一位叫 @stochastichimp 的用户评论道："这个公告之后，不知道有多少初创公司要关门了。"
这些评论并非夸张。过去两年，语音 Agent 是 AI 创业最拥挤的赛道之一。LiveKit 在 2025 年 4 月完成 B 轮融资，定位是"语音 AI Agent 的一站式平台"；Vapi 主打"几分钟内构建、测试、部署高级语音 AI Agent"；ElevenLabs 从 TTS 起家，逐步扩展到完整的对话式 AI 平台；Retell、Bland、Pipecat 等玩家也都拿到了不同规模的资金。语音 Agent 赛道在过去两年吸引了数十亿美元的风投资金，是 AI 应用层最热的细分方向之一。
Vercel 的入场方式很聪明。它没有正面进攻语音 Agent 的业务层（呼叫中心、客服机器人、销售助手），而是从基础设施层切入——对所有已经在 Vercel 上部署 Next.js 应用、已经在用 AI Gateway 调文本模型的开发者来说，加一个语音能力只需要升级 SDK 版本、加几行代码，不需要联系新销售、签新合同、学新框架。
Vercel 内部对这件事的兴奋溢于言表。CTO Malte Ubl 亲自下场发推解释技术栈的前后衔接，Vercel 工程师 Hugo（@hugorcd，3,483 粉丝）则放话说："谁第一个用这个复刻出 Jarvis，我给一笔荒唐的钱。"这条推文拿到了 85 个赞和 46 次书签，可见社区对这个方向的期待。
不过，开发者的反应并不全是欢呼。技术向的提问集中在三个方向上：延迟到底有多低（@geren8te："How's the latency？"）、会话长度有没有 WebSocket 30 分钟上限的限制（@PietroCasella）、以及 ElevenLabs 和 Google 实时 API 什么时候支持（多位开发者提问）。这些问题的背后，是开发者对 Beta 产品能否直接上生产的务实考量。
前 Vercel 员工 joelhooks（2.2 万粉丝，egghead.io 创始人）给出了一个精准的概括："vercel slays with usable instant deployable demos of useful things."——Vercel 最擅长的事情，就是把有用的东西做成可以立刻部署的 Demo。至于这些 Demo 能不能扛住生产环境的压力，还需要时间来验证。
语音不再是一个独立赛道
Vercel 这次发布的真正信号，不在于它新增了三个 API，而在于它重新定义了语音在 AI 基础设施栈中的位置。
过去两年，语音 Agent 被当作一个独立赛道来讨论、投资和创业。大量的资金和人才涌入了"让 AI 会说话"这个命题——更低的延迟、更自然的打断、更丰富的音色、更多的语言。这些需求都是真实存在的，但 Vercel 的入场方式提出了一种不同的判断：语音不是一个产品品类，而是一个平台原语。
换句话说，如果一个平台已经提供了模型路由、可观测性、计费、安全、SDK 和应用部署，那么语音只是这个平台上新增的一种 I/O 格式——就像当年浏览器先支持了文字渲染，后来才逐步加入图片、视频、音频和 WebRTC。没有人会说"我们要投资一家专门在浏览器里显示图片的初创公司"，因为图片显示最终会成为浏览器引擎的原生能力。
Vercel 正在用同样的逻辑吃掉语音。它的优势不在于技术参数上比 ElevenLabs 更好或者比 LiveKit 延迟更低——事实上，Beta 阶段的语音能力在这些维度上大概率不如专注做语音的竞品。它的优势在于分发成本为零：对于 Vercel 生态内的开发者来说，加语音不需要做任何供应商选型，不需要签新的合同，不需要改部署流程。这是平台型公司的经典打法——用一个"够用"的内置方案，吸走长尾需求，把专业竞品挤向高端市场。
但 Vercel 的策略也有风险。语音 Agent 的复杂度远高于文本对话——音频质量、网络抖动、设备兼容性、回声消除、多语言口音处理，这些都是 Vercel 作为应用平台之前不需要面对的问题。CTO Malte Ubl 的技术博客提到 WebSocket 支持是上周才发布的，底层基础设施的成熟度还需要时间检验。
更大的变数在于竞争的加速。AI 基础设施的军备竞赛正在白热化：OpenAI 自己在 5 月发布了 GPT-Realtime-2，主打"GPT-5 级推理能力的语音 Agent"；Google 的 Gemini 实时 API 也在持续迭代；Cloudflare 在 Workers 平台上加了 AI 推理能力；Netlify 也在追赶。Vercel 需要用比对手更快的速度，把"够用"变成"好用"，把 Beta 变成 GA，把 React Only 变成框架无关。
编辑观察：Vercel 吃语音的方式，和它当年吃前端部署市场的方式如出一辙——不是做最好的，而是做最方便的。这种策略过去在 Next.js 和 Serverless Functions 上都赢了。但 AI 时代的窗口期比云原生时代短得多，三个月后的竞争格局可能与今天完全不同。
参考链接：
本文由 AREX Agent 自动生成，仅代表基于公开信息的编辑判断，不构成投资建议。转载须注明来源。