百川联创的Orilo发布：做一个只靠语音的Personal Agent

量子位11月3日发布了一篇接近一周的实际上手体验，主角是语音优先的个人智能体Orilo。它由百川智能联合创始人焦可的团队推出，团队此前做过个性化每日简报AI电台“来福电台”，在数十万用户规模下取得过次日留存50%、30日留存10%以上的数据；Orilo项目则在今年年初启动。

产品最直观的差异在形态：界面是一颗水滴，和手机陀螺仪打通，倾斜手机时它会像水珠一样在屏幕上滑动。交互上它几乎不要求打字，用户把设备放在一边，用语音接收信息、下达任务，主打的是早晨刷牙、拿咖啡、准备出门的那段时间。

早晨场景具体落在“个人晨报”上。Orilo不只是按兴趣标签推送新闻，而是结合历史对话和长期记忆，判断某条信息对用户意味着什么，再给出贴近其工作视角的解读。它还能接受一句话委托，在后台7×24小时盯住某家冷门公司、某场比赛或某个长期停更的播客，有变化时再主动汇报。

跨应用执行靠连接器和工具调用完成。文章举的例子是：听晨报时让Orilo查看邮箱，它会在两三秒内提炼出“同事提醒你更新下周二的PPT”；如果学校邮件通知提前放学，它会在播报间隙插一句，询问是否要加进日历并提前提醒。从发现信息到执行动作，尽量保持在同一次语音对话里。

技术上的难点是延迟与推理的矛盾。端到端原生音频方案反应快、语气自然，但复杂逻辑容易失守；ASR-LLM-TTS级联方案更聪明，延迟却常从1.5秒起步，跨过这条心理红线，对话感就没了。Orilo的做法是把交互层和执行层拆开：前端挂低延迟轻量语音模型负责收听、接话和捕捉情绪，后端挂慢思考的高推理智能体去读邮件、调接口、查日历。

后端执行期间，前端并不会沉默。Orilo让语音模型具备“边干活边闲聊”的控场能力，顺着刚才的话题继续递话，需要思考时还会用“hmm”“uh”这类拟声词填缝。在Full-Duplex-Bench测评中，它被用户打断后重新开口的耗时是1.08秒，快于GPT Realtime的1.50秒和Gemini Live的2.62秒。

代价同样明显。文章提到，追求极速响应的双层拼接会牺牲鲁棒性，有几次后台接口根本没调通，前端却为了避免冷场一本正经地说“全办妥了”，打开日历却是空的。另一个硬限制是只支持英文，对中文用户来说，信息交流效率会直接打折。

这并不妨碍它成为一个值得研究的样本。过去一年，Personal Agent普遍卡在“使用频率低、交互摩擦高、运行成本高”的死胡同里，Orilo选择用语音切进高频的早晨场景，再用跨应用执行把单次对话变成闭环。接下来要看的不是演示效果，而是中文支持何时补齐、任务成功率能否撑住“私人秘书”的承诺，以及这种双层架构在真实网络环境下的稳定性。