在生成式 AI 的浪潮下，基于实时互动技术的对话式 AI 正加速在各行各业落地实践。但当前 AI 硬件普遍面临交互生硬、情感连接弱、同质化严重等问题，声网带你从技术、场景、情感多方面一起探讨行业破解思路。
6 月 27 日下午，在美丽的泰华梧桐村，深圳湾联合声网和多家企业，从教育、随行、家居、娱乐等不同的侧面，剖析 AI 陪伴的新产品、新技术、新趋势、新机遇！结合 Labubu IP 热潮提出核心议题：如果硬件能对话，情感陪伴价值如何突破？旨在连接行业伙伴，碰撞 AI 硬件落地新火花。
本文内容基于声网 AIoT 产品总监冯晓东《对话式 AI 硬件破局新思路》的分享和对话实录整理，探讨了 AI 硬件的机遇和挑战，以及声网基于实时互动技术打造的对话式 AI 解决方案。
声网 AIoT 产品总监冯晓东，毕业于哈尔滨工业大学，现任声网对话式 AI 开发套件产品负责人。拥有超 10 年行业经验，曾于霍尼韦尔、UCloud负责物联网产品开发。深耕多模态交互与实时语音技术，聚焦对话式 AI赛道，推动其在陪伴、教育、智能家居等场景落地。
自 ChatGPT 引爆 AI 硬件市场后，万物皆可 AI 的印象已经逐渐深入人心，而海内外大小玩家的纷纷入局，让这个市场始终处于蓬勃发展的阶段。
市面上将对话式 AI 或者 AI 硬件主要分为两大类，一类是生产力工具，一类则是情感陪伴。
前者已经很常见了，从最早的 AI 翻译耳机、办公类的个人笔记、个人助手，比如早期最负盛名的 Ai Pin，都是往生产力工具的方向去做。
但其实大家忽略了情感陪伴的场景，从现在来看，情感陪伴也是有着巨大的市场空间的，而且它涵盖的面也很广，从 AI 宠物，到 AI 情感陪聊，还有追星、占星等等。
根据 IDC 的数据，截止到 2025 年，智能玩具的市场规模在 250 亿美元，其中 AI 相关的产品占比约三成，而 AI 产品中与 GPT 相关的也占了三成，也就是说，生成式 AI 相关的规模大概在 25 亿左右。
另据 IMARC 预测，到 2033 年，全球市场规模将增长至 600 亿美元，年复合增长率达 16%~20%，其中亚洲市场占据主导地位。
大家都想要一个 J.A.R.V.I.S.，但是现实却是平台上居高不下的退货率。来自京东消费产业人士的认为，过往的 AI 硬件居高不下的差评率都来源于交互体验上，核心问题无外乎三点：
而在复杂的家庭环境中，背景噪音、其他人的打断等随机因素让有效语音的识别率仅有 65%。
还有 AI 玩具普遍缺乏「打断」机制，当用户试图纠正 AI 的错误回应时，需要等待机器的「自说自话」，对于沉浸感的破坏程度相当明显。
当你试图和一个 AI 硬件对线 轮左右的对话后就能知道对方是个 AI 而无法产生任何情感的共鸣。但是对百分之八九十的小朋友而言，当 Ta 和一个宠物去沟通交流的时候，能够在 10 分钟内迅速产生情感投射的行为。
市面上有大量的开源硬件、开源方案，而为了迅速上市，不少企业选择不做定制化开发直接上市，这样的短期主义造就了市面上大量的没有生命力的同类型产品，最终让产品走向了退货、吃灰的结局。
一是根深蒂固的硬件思维，追求快速量产、拼参数、压成本和一次性销售，这样的传统硬件思维在 AI 时代并非良药。过度比拼参数和成本而忽视体验导致产品缺乏粘性，用户容易退货。
而 AI 硬件的核心高成本在于云端服务如 ASR、大模型、TTS、RTC，而非硬件本身。因此，赚钱的思维需要转向产品思维，从硬件思维向体验思维转变，后者则需要我们去考虑情感的连接、对话的流畅度。
另一个困局则是国内用户长期的付费习惯，如音视频付费的习惯在国内花了近 20 年才培养起来，现阶段国内用户对软件/服务付费的认知尚未培养成熟。若希望 AI 硬件的行业持续发展，则必须建立支持持续付费的理念，一旦用户产生粘性并愿意为增值服务付费，就能构建出健康的商业模式。Alexa 的语音包付费率达 62%，Google Nest 的服务付费率达 42%，而硬件本身的利润微不足道，这足以证明体验驱动的持续付费模式是可行且可持续的出路。
面对这些问题，应该先忘记卖硬件的想法，想想如何「卖体验」。硬件只是入口，如何打造高价值的场景和良好的体验，才是产品的价值所在。
去年 10 月，OpenAI 推出了震惊全网的 Realtime API，开发者接入 Realtime API 后，就可以为产品带来更好的互动体验。而声网在美国的兄弟公司 Agora 就是语音合作伙伴之一。
声网不做硬件，只专注于让设备拥有「数字灵魂」，这是对传统的「硬件思维」发起的挑战，让其内在的交互能力和体验，成为产品的价值所在，而非物理参数的堆砌或者一次性的销售。
从最早的确保「听得见」（QoS 时代），到「听得清、听得懂」（QoE 时代），最终实现「听得心」的跨模态、拟人化交互（AI QoE 时代）这一阶段。
为此，声网推出了核心的「对话式 AI 引擎」，让 AI 知道何时该听/说、如何实现带语义理解的自然打断、如何表达得更自然更拟人。
针对硬件行业，声网发布了对话式 AI 开发套件，提供了一整套的在硬件场景里端到端的解决方案。
加上声网在业界内对芯片的广泛支持，甚至能够做到一小时从跑通 Demo、一天实现产品原型送样到量产的惊人速度。
此外，声网还汇聚了全球最全的 ASR、LLM、TTS 供应商。在这样的背景下，声网还积极融合在娱乐、教育等领域积累的经验和用户洞察，构建了开放的生态，把「低延迟、高自然度」的能力开放给 AI 硬件，加速 AI 硬件的体验落地、降低创新门槛。无论是国内大厂还是海外创业团队，让他们都能用同一套引擎，专注自己的场景创新。
如果你对上面这些论述没有概念的话，国内几个真实案例或许可以帮你更加了解声网在 AI 硬件体验升级上的功力。
来自珞博智能的芙崽（Fuzozo）是声网技术赋能的标杆案例，它成功的原因在于它真正实现了有温度的情感陪伴。
在早期，珞博智能就把真正的能力放在了 MEM（多模态情感大模型）和长周期、长期记忆上，并没有选择去卷硬件、卷参数。剩余的体验相关和其他部分就交给了第三方和声网。
借助声网对话式 AI 的能力，芙崽大幅优化了 AI 交互的实时性和稳定性，让实时情感陪伴和个性化交互的核心体验能够最大化得到保障，为用户带来了全新的陪伴体验。
今年 3 月，集贤科技发布了「灵语灵珠」 AI 玩具创新计划。灵语灵珠 AI 玩具采用了声网的对话式 AI 开发套件，快速实现了 AI 语音交互的能力，让 AI 玩具更智能、更灵敏、更安全。
去年 11 月发布的 Looktech AI 眼镜来自回车科技。这款 AI 眼镜的一大亮点就是搭载了基于 ChatGPT-4o、Claude、Gemini 等大模型的 AI 助手 Memo，具备自然对话和记忆功能，并通过丰富的智能体小程序满足用户在不同场景中的需求。
在声网的对话式 AI 能力的加持下，用户和 Memo 进行语音交互时，实现了超低延迟响应、噪声屏蔽以及智能打断等能力，让其核心体验更上一层楼。
专注于 AI 角色化智能硬件的赛博创力，致力于推动 IP 潮玩行业的 AI 化产业升级，对于其产品核心的语音对话体验，也基于声网的 RTC 技术来实现了稳定的实时响应、语音换角、情感断点等能力。
如果 Labubu 能和你对话，抛出这个话题之前，很多读者留言表示，大 IP 根本不想说话怎么办？面对这个问题，声网其实在思考的是：假如 IP 会说话，我们应该干什么？
声网在与珞博 Fuzozo 合作的产品做出来之后，已经有很多类似做陪伴的硬件来找声网，希望它们能开口说话。
但声网的调研结果显示，很多用户、特别是女性朋友，希望的是 IP 不说话最好。一方面是用户需求，还有一方面则是对话体验和来自 token 方面的压力。
珞博在产品设计时做了一个非常巧妙的事情，就是把芙崽的五个角色设定为外星人，在有限的时间内才可以张口说话。
声网并不会定义什么场景应该怎么说、说什么话，这个更多的是产品方要做的运营。而至于角色和对话设计，赛博大舞台做得蛮不错，尤其是对于人物的刻画方面，能摸索出一条属于 IP 场景下独有的路。
声网解决的就是实时音频和实时视频的能力，实时音视频或者多模态，目前比较看好的是两个场景：
目前大量的小朋友用豆包做各种各样的试题、背诵、单词，手机明显不是一个很好的硬件载体，很多家长不太愿意让孩子用手机。教育行业和硬件多模态结合是趋势，这一领域的 AI 硬件也是声网落地最多的场景。
未来的个人助手一定是多模态结合的，它能够感知你，除了天天听你说话之外，还会看到你所看到的东西，通过理解你看到的东西，同步你的认知表达，对你个人持续的增进了解。而随身助手最好的硬件载体就是智能眼镜。
小结一下，当前 AI 硬件的痛点包括交互生硬、情感薄弱、同质化严重，根源在于过度追求硬件参数而忽视情感连接。对话式 AI 硬件需要从「硬件思维」转向「体验思维」，打破「理想丰满，现实骨感」的行业困境。
声网提出「AI+IoT」新思路——硬件仅为入口，服务才是终身价值。通过声网 RTC 技术实现用户体验的提升，为 AI 硬件注入数字灵魂。■