在生成式 AI 的浪潮下，基于實時互動技術的對話式 AI 正加速在各行各業落地實踐。但當前 AI 硬件普遍面臨交互生硬、情感連接弱、同質化嚴重等問題，聲網帶你從技術、場景、情感多方面一起探討行業破解思路。

6 月 27 日下午，在美麗的泰華梧桐村，深圳灣聯合聲網和多家企業，從教育、隨行、家居、娛樂等不同的側面，剖析 AI 陪伴的新產品、新技術、新趨勢、新機遇！結合 Labubu IP 熱潮提出核心議題：如果硬件能對話，情感陪伴價值如何突破？旨在連接行業伙伴，碰撞 AI 硬件落地新火花。

△ 活動現場，更多現場精彩瞬間請點擊訪問

本文內容基于聲網 AIoT 產品總監馮曉東《對話式 AI 硬件破局新思路》的分享和對話實錄整理，探討了 AI 硬件的機遇和挑戰，以及聲網基于實時互動技術打造的對話式 AI 解決方案。

聲網 AIoT 產品總監馮曉東，畢業于哈爾濱工業大學，現任聲網對話式 AI 開發套件產品負責人。擁有超 10 年行業經驗，曾于霍尼韋爾、UCloud負責物聯網產品開發。深耕多模態交互與實時語音技術，聚焦對話式 AI賽道，推動其在陪伴、教育、智能家居等場景落地。

AI 硬件面臨的機遇

自 ChatGPT 引爆 AI 硬件市場后，萬物皆可 AI 的印象已經逐漸深入人心，而海內外大小玩家的紛紛入局，讓這個市場始終處于蓬勃發展的階段。

市面上將對話式 AI 或者 AI 硬件主要分為兩大類，一類是生產力工具，一類則是情感陪伴。

前者已經很常見了，從最早的 AI 翻譯耳機、辦公類的個人筆記、個人助手，比如早期最負盛名的 Ai Pin，都是往生產力工具的方向去做。

△ Humane Ai Pin

但其實大家忽略了情感陪伴的場景，從現在來看，情感陪伴也是有著巨大的市場空間的，而且它涵蓋的面也很廣，從 AI 寵物，到 AI 情感陪聊，還有追星、占星等等。

根據 IDC 的數據，截止到 2025 年，智能玩具的市場規模在 250 億美元，其中 AI 相關的產品占比約三成，而 AI 產品中與 GPT 相關的也占了三成，也就是說，生成式 AI 相關的規模大概在 25 億左右。

另據 IMARC 預測，到 2033 年，全球市場規模將增長至 600 億美元，年復合增長率達 16%~20%，其中亞洲市場占據主導地位。

AI 硬件面臨的挑戰

爆火的市場空間背后，卻是理想和現實之間的鴻溝。

大家都想要一個 J.A.R.V.I.S.，但是現實卻是平臺上居高不下的退貨率。來自京東消費產業人士的認為，過往的 AI 硬件居高不下的差評率都來源于交互體驗上，核心問題無外乎三點：

1. 交互生硬

因為發音不準尤其是兒童，讓 AI 玩具的指令誤判率超過了 30%。

而在復雜的家庭環境中，背景噪音、其他人的打斷等隨機因素讓有效語音的識別率僅有 65%。

還有 AI 玩具普遍缺乏「打斷」機制，當用戶試圖糾正 AI 的錯誤回應時，需要等待機器的「自說自話」，對于沉浸感的破壞程度相當明顯。

2. 情感薄弱

當你試圖和一個 AI 硬件對話時，基本在 10 輪左右的對話后就能知道對方是個 AI 而無法產生任何情感的共鳴。但是對百分之八九十的小朋友而言，當 Ta 和一個寵物去溝通交流的時候，能夠在 10 分鐘內迅速產生情感投射的行為。

3. 同質化嚴重

市面上有大量的開源硬件、開源方案，而為了迅速上市，不少企業選擇不做定制化開發直接上市，這樣的短期主義造就了市面上大量的沒有生命力的同類型產品，最終讓產品走向了退貨、吃灰的結局。

△ 淘寶上售賣的 AI 毛絨玩具

此外，除了產品和技術面臨的問題，對于廠商而言，也面臨著兩大困局。

一是根深蒂固的硬件思維，追求快速量產、拼參數、壓成本和一次性銷售，這樣的傳統硬件思維在 AI 時代并非良藥。過度比拼參數和成本而忽視體驗導致產品缺乏粘性，用戶容易退貨。

而 AI 硬件的核心高成本在于云端服務如 ASR、大模型、TTS、RTC，而非硬件本身。因此，賺錢的思維需要轉向產品思維，從硬件思維向體驗思維轉變，后者則需要我們去考慮情感的連接、對話的流暢度。

△ TCL Ai Me，圖源：深圳灣

另一個困局則是國內用戶長期的付費習慣，如音視頻付費的習慣在國內花了近 20 年才培養起來，現階段國內用戶對軟件/服務付費的認知尚未培養成熟。若希望 AI 硬件的行業持續發展，則必須建立支持持續付費的理念，一旦用戶產生粘性并愿意為增值服務付費，就能構建出健康的商業模式。Alexa 的語音包付費率達 62%，Google Nest 的服務付費率達 42%，而硬件本身的利潤微不足道，這足以證明體驗驅動的持續付費模式是可行且可持續的出路。

如何解決這些問題

面對這些問題，應該先忘記賣硬件的想法，想想如何「賣體驗」。硬件只是入口，如何打造高價值的場景和良好的體驗，才是產品的價值所在。

而聲網，正是這么一家專注于實時互動體驗的公司。

去年 10 月，OpenAI 推出了震驚全網的 Realtime API，開發者接入 Realtime API 后，就可以為產品帶來更好的互動體驗。而聲網在美國的兄弟公司 Agora 就是語音合作伙伴之一。

聲網不做硬件，只專注于讓設備擁有「數字靈魂」，這是對傳統的「硬件思維」發起的挑戰，讓其內在的交互能力和體驗，成為產品的價值所在，而非物理參數的堆砌或者一次性的銷售。

技術方面，聲網打造了世界一流的實時對話體驗：

• 業界領先的端到端延時表現，聲網可以做到延時中位數 650ms ；

• 打斷延時中位數 340ms，最低可達 165ms；

• 抗丟包達 80%，在弱網環境下也能穩定交流；

• 智能消除對話中的噪聲、回聲和背景人聲，實現對話人聲鎖定；

• 全球、全時段、全模型、全設備、全網絡覆蓋的 5A 全場景適配。

從最早的確保「聽得見」（QoS 時代），到「聽得清、聽得懂」（QoE 時代），最終實現「聽得心」的跨模態、擬人化交互（AI QoE 時代）這一階段。

為此，聲網推出了核心的「對話式 AI 引擎」，讓 AI 知道何時該聽/說、如何實現帶語義理解的自然打斷、如何表達得更自然更擬人。

而這些體驗，在各種復雜的環境下都有良好的表現。

針對硬件行業，聲網發布了對話式 AI 開發套件，提供了一整套的在硬件場景里端到端的解決方案。

△ 圖源：聲網

加上聲網在業界內對芯片的廣泛支持，甚至能夠做到一小時從跑通 Demo、一天實現產品原型送樣到量產的驚人速度。

此外，聲網還匯聚了全球最全的 ASR、LLM、TTS 供應商。在這樣的背景下，聲網還積極融合在娛樂、教育等領域積累的經驗和用戶洞察，構建了開放的生態，把「低延遲、高自然度」的能力開放給 AI 硬件，加速 AI 硬件的體驗落地、降低創新門檻。無論是國內大廠還是海外創業團隊，讓他們都能用同一套引擎，專注自己的場景創新。

如果你對上面這些論述沒有概念的話，國內幾個真實案例或許可以幫你更加了解聲網在 AI 硬件體驗升級上的功力。

Fuzozo

來自珞博智能的芙崽（Fuzozo）是聲網技術賦能的標桿案例，它成功的原因在于它真正實現了有溫度的情感陪伴。

在早期，珞博智能就把真正的能力放在了 MEM（多模態情感大模型）和長周期、長期記憶上，并沒有選擇去卷硬件、卷參數。剩余的體驗相關和其他部分就交給了第三方和聲網。

借助聲網對話式 AI 的能力，芙崽大幅優化了 AI 交互的實時性和穩定性，讓實時情感陪伴和個性化交互的核心體驗能夠最大化得到保障，為用戶帶來了全新的陪伴體驗。

集賢科技

今年 3 月，集賢科技發布了「靈語靈珠」 AI 玩具創新計劃。靈語靈珠 AI 玩具采用了聲網的對話式 AI 開發套件，快速實現了 AI 語音交互的能力，讓 AI 玩具更智能、更靈敏、更安全。

回車科技

去年 11 月發布的 Looktech AI 眼鏡來自回車科技。這款 AI 眼鏡的一大亮點就是搭載了基于 ChatGPT-4o、Claude、Gemini 等大模型的 AI 助手 Memo，具備自然對話和記憶功能，并通過豐富的智能體小程序滿足用戶在不同場景中的需求。

在聲網的對話式 AI 能力的加持下，用戶和 Memo 進行語音交互時，實現了超低延遲響應、噪聲屏蔽以及智能打斷等能力，讓其核心體驗更上一層樓。

賽博創力

專注于 AI 角色化智能硬件的賽博創力，致力于推動 IP 潮玩行業的 AI 化產業升級，對于其產品核心的語音對話體驗，也基于聲網的 RTC 技術來實現了穩定的實時響應、語音換角、情感斷點等能力。

假如 IP 會說話

如果 Labubu 能和你對話，拋出這個話題之前，很多讀者留言表示，大 IP 根本不想說話怎么辦？面對這個問題，聲網其實在思考的是：假如 IP 會說話，我們應該干什么？

聲網在與珞博 Fuzozo 合作的產品做出來之后，已經有很多類似做陪伴的硬件來找聲網，希望它們能開口說話。

但聲網的調研結果顯示，很多用戶、特別是女性朋友，希望的是 IP 不說話最好。一方面是用戶需求，還有一方面則是對話體驗和來自 token 方面的壓力。

珞博在產品設計時做了一個非常巧妙的事情，就是把芙崽的五個角色設定為外星人，在有限的時間內才可以張口說話。

聲網并不會定義什么場景應該怎么說、說什么話，這個更多的是產品方要做的運營。而至于角色和對話設計，賽博大舞臺做得蠻不錯，尤其是對于人物的刻畫方面，能摸索出一條屬于 IP 場景下獨有的路。

對話 vs 多模態交互

聲網解決的就是實時音頻和實時視頻的能力，實時音視頻或者多模態，目前比較看好的是兩個場景：

1. 和教育的融合：

目前大量的小朋友用豆包做各種各樣的試題、背誦、單詞，手機明顯不是一個很好的硬件載體，很多家長不太愿意讓孩子用手機。教育行業和硬件多模態結合是趨勢，這一領域的 AI 硬件也是聲網落地最多的場景。

2. 個人助手：

未來的個人助手一定是多模態結合的，它能夠感知你，除了天天聽你說話之外，還會看到你所看到的東西，通過理解你看到的東西，同步你的認知表達，對你個人持續的增進了解。而隨身助手最好的硬件載體就是智能眼鏡。

別再造玩具，一起造有靈魂的 AI

小結一下，當前 AI 硬件的痛點包括交互生硬、情感薄弱、同質化嚴重，根源在于過度追求硬件參數而忽視情感連接。對話式 AI 硬件需要從「硬件思維」轉向「體驗思維」，打破「理想豐滿，現實骨感」的行業困境。

聲網提出「AI+IoT」新思路——硬件僅為入口，服務才是終身價值。通過聲網 RTC 技術實現用戶體驗的提升，為 AI 硬件注入數字靈魂。

主筆：周森

審校：小炫

編輯：陳述