（一） 语音识别 交互领域，声音一直没有多少存在感
1、相关的技术要求太高。中国人说话远不像老外那样一个单词一个意思，而且各地的口音又完全不同，所以语音的识别、唤醒、输入、交互都是问题，当然强如科大讯飞已经可以破译粤语、上海话、四川话了，但是还会有后面的问题。
2、使用场景有限。视觉和触觉的交互随时随地都可进行，只要你低头悄悄打开手机就行了，但是语音呢，嘈杂的地方不行，人多的地方也不行，甚至晚上一个人了、对着冷冰冰的机器说话，也会有太装太怪的感觉。
3、交互模式不自然。不论是Siri的长按唤醒，还是傻乎乎地“嘿Siri”，感觉都比较违和，当你看着屏幕上Siri正处于“倾听录音”状态，心一下子就紧绷了，生怕说错或者说得不及时，说完以后机器开始识别了，你看着进度条又莫名其妙地焦虑不安起来、它能不能听懂呢，会不会听错呢？结果识别出来，果然是错的，日了狗了……
4、应用生态远未形成。尽管讯飞们已经开始开放语音功能和接口，但市面上并没有出现很多的声控交互应用，特别是——没有出现有影响力的第三方应用。
（二）语音终端远未成型
能够大规模商用的中国版Echo还没有出现，即便非常厉害的可能也市场影响有限，养在深闺人不识吧。
（三）语音内容成本过高
1、信息获取成本过高。看文字可以一目十行，看图片可以尽收眼底，看视频基本3秒内就可以判断值不值得看下去。但是语音完全不是这样，你听一段语音（如果不是歌声），往往得听三分之一以上才能判断是否值得听，而这个过程是漫长的、听的时候还动不动走神、左耳朵进右耳朵出，如果再加上漫长的前奏简直令人抓狂。这还只是一段语音，如果我又在很多语音中来回播放暂停选择想听的内容呢？这个过程简直繁琐得崩溃了！
2、使用场景有限。一样的道理，文字图片可以在任何地方看吧，但是语音呢？
3、差异化价值“貌似”不高。既然都能看文字解决，为何要用语音呢，难道就是为了主播磁性的嗓音？如果是为了这些感性的体验，视频是不是更好一些呢？
这样看起来，好像语音一无是处，可真的是这样吗？解决几个症结就好了。
