5月25日，思必驰正式向科创板递交了IPO申请。

作为国内最早一批AI公司，思必驰已经跑了近二十年。但从业绩上看，这家老牌AI公司的增长节奏并不算快。2023年到2025年，营收分别是5.39亿、6.01亿和6.88亿，两年复合增长率只有12.98%。

某种程度上，思必驰正处在一个有些尴尬的时间节点上。

过去十几年，语音技术一直是人工智能领域里最典型的技术壁垒型赛道。Cerence、SoundHound、思必驰这些公司，都吃到了这一轮产业红利。

但大模型出来后，行业底层逻辑正在被改写。OpenAI、谷歌、阿里、字节等巨头，正在把语音能力变成一种基础能力。

于是，一个核心问题摆在了所有传统语音公司面前：当语音成为大模型的标配之后，它们还剩下什么价值？

今天咱们就来聊聊思必驰，以及传统语音AI公司的未来。

毛利率虽高，但仍然很难赚钱

从收入结构来看，思必驰主要有三大块业务：车载业务、智慧办公和智慧物联。

其中，车载业务是基本盘。2025年，这块收入达到了2.76亿元，占整个营收的40.08%。

所谓车载业务，本质上是为汽车厂商提供语音交互解决方案。目前思必驰已经进入了比亚迪、奔驰、大众等多家车企的供应链，车载语音装机量的市占率达到22%。

第二块是智慧办公，包括语音转写、会议记录、自由对话这类软件服务，还有智能吸顶麦、AI办公本等硬件产品。2023到2025年，这块收入从1.8亿元增长到了2.43亿元，是近几年增长最快的板块之一。

相比之下，智慧物联业务则在收索。三年间收入从1.97亿元下降到了1.69亿元，占总营收的比例也从36.63%滑到了24.51%。

从盈利能力看，思必驰的毛利率并不低。

随着软件收入占比提升，公司毛利率从2023年的53.69%升到了2025年的63.24%。

但高毛利并没有转化为利润。

过去三年，公司分别亏损了1.36亿、1.58亿和0.8亿。同期，期间费用率高达76.3%、79.5%和68.7%。

这背后，其实是国内软件服务行业长期面临的商业化困境。

思必驰的大部分业务仍然带有较强的项目制属性。无论是车载语音、智慧办公还是物联网方案，每新增一个客户，往往都要额外投入研发、适配、测试、部署和维护成本。

尤其是在车载场景，不同车企、不同车型甚至不同操作系统之间都有明显差异，很难像标准化软件那样实现大规模复制。

但这还不是思必驰最大的问题。真正的问题在于，当通用模型的多模态能力足够强时，语音供应商的价值又在哪里？

大模型，正在吃掉AI语音公司

从去年开始，美股软件股经历了一轮暴跌。

其中，受到冲击最大的板块之一，就是传统语音服务商。

2025年以来，SoundHound AI从年内高点22.17美元一路回落到了约8.56美元，跌幅61.39%；Cerence从27.5美元跌到11.87美元，跌幅约56.84%；声网从6.99美元跌到4.25美元，跌幅接近39.20%。

股价下跌背后，一个越来越清晰的共识正在形成：语音技术本身，正在失去独立价值。

过去二十年，语音行业一直建立在一条相对清晰的产业链上。

传统语音AI的标准链路是典型的模块化流水线：ASR（语音转文字）、NLU（意图识别）、Dialog Manager（对话管理）、TTS（语音合成），再加上不同场景的需求。

过去很多语音AI公司有价值，是因为每一层都不容易。比如识别口音、抗噪声、低延迟、唤醒词、车内声场、电话线路压缩音质、多人打断、语音合成自然度，这些都需要长期的工程积累。

思必驰、云知声、SoundHound、Cerence，都是这个时代的受益者。

但大模型出现之后，这套逻辑开始变了。一方面，模型智能的提升带来了更强的多模态能力；另一方面，大模型也把这些原本分散的模块重新整合成了一个统一的系统。

从目前来看，大模型的语音能力正在快速追赶甚至超越传统语音厂商。

过去，语音行业最核心的指标是WER（词错误率），也就是每100个词里识别错多少个词。WER越低，识别准确率越高。

传统语音系统在理想环境下通常能把WER控制在5%以内，但一旦进入车载噪音、电话线路、多人对话这些复杂场景，错误率往往会明显上升。

举个例子，2025年思必驰方案在新闻播报这类干净场景下，WER大约是4.8%；而在车载噪音环境下，则上升到了12.3%。

相比之下，OpenAI开源的Whisper Large-v3不仅在标准测试集上实现了更低的错误率，在会议、电话、多人讨论等真实场景中，也表现出了更强的稳定性。

背后的原因并不复杂。

传统语音公司长期依赖高质量标注数据。这类数据虽然精准，但获取成本高、规模有限，很多企业积累十几年的行业语料，总规模也不过几千到几万小时。

而大模型可以利用公开视频、播客、电话录音、会议记录、字幕数据以及用户反馈进行训练。以Whisper为例，它的训练数据规模达到了约68万小时，远远超过传统语音系统。

更大的数据规模，不仅让模型接触到了更多真实世界的复杂场景，也让其具备了更强的上下文理解能力。

过去的语音系统更像是识别关键词，而大模型能够结合前后语境，理解用户真正想表达的内容。即便出现停顿、口误或表达不完整，也能通过上下文完成纠错和补全。

换句话说，传统语音模型是在实验室里成长起来的，而大模型是在真实世界里成长起来的。

这种变化正在快速传导到产业层面，也带来了一个关键问题：如果OpenAI、Google、Amazon、字节跳动和阿里都能提供低延迟、高准确率的语音交互能力，那么客户自然会问：为什么还需要单独采购一家语音供应商？

某种程度上说，语音能力本身就越来越像一种基础设施，而不是独立产品。

这样的趋势已经开始显现。

2023年，OpenAI与梅赛德斯-奔驰达成合作，把ChatGPT接入其MBUX车载语音系统。谷歌也已经开始用Gemini全面替代原有的Google助手，并逐步将其内置到Android手机、Google TV、智能手表等终端中。

国内同样如此。豆包进入了特斯拉中国区车载系统，通义千问则逐步接管天猫精灵背后的语音能力，并向智能家居终端延伸。

这些变化也给思必驰带来了一个更严峻的问题：当语音逐渐从独立产品变成基础能力，传统语音AI公司还剩下什么价值？