起因是本人周末去超市挑榴莲，想咨询一下豆包挑哪个比较好，然后给豆包打了视频通话。 
但我发现豆包的语音通话会被其他人的声音，周围环境音所影响。 
所以我想问一下里面蕴含的技术原理，为什么字节不像siri一样做一个声纹识别呢。 
这样豆包就是独属于我的豆包了。