超市实测豆包遭遇“噪音危机”：为何AI大模型还学不会只听主人的话？

近期有用户在真实场景下测试字节跳动旗下“豆包”的AI视频通话功能时发现，在超市等嘈杂环境中，AI极易被周围人声干扰，无法像Siri那样通过声纹精准锁定主人指令。这一“翻车”经历暴露了当前多模态大模型在物理世界听觉交互上的短板。相比于安静的测试环境，现实世界的背景噪音极为复杂，如何实现精准的声纹识别与声源分离，是AI Agent走向智能化助理必须跨越的技术门槛。