智慧型手機統治了過去十幾年的數字生態，它是注意力的黑洞，是我們最私密的隨身之物。但手機從設計之初就是為「人盯著它」而生的——它的全部邏輯，都止於螢幕。
AI 的需求卻恰恰相反：它需要持續感知物理世界——見你所見，聽你所聞，隨時在場，而非等你解鎖螢幕才醒來。
當 AI 真正成為一種基礎能力，它遲早要從螢幕里破殼而出，尋找屬於它自己的形狀。這將是一個漫長的探索和演化過程。
「AI 器物志」欄目由此而來，想和你一起持續觀察：AI 如何改變硬體設計，如何重塑人機交互，以及更重要的——AI 將以怎樣的形態進入我們的日常生活？
這是「AI 器物志」的第 19 篇文章。
過去兩年裡，AI 最明顯的變化不只是模型變聰明，而是它的定位從少數人的專業工具，轉變成了日常生活的基礎能力。
如今，我們更是習慣了在走路、開車、做飯甚至摸魚期間，隨時隨地向 AI 發出指令。
圖｜Google
只不過隨著頻率提高，以 PC 時代鍵鼠交互為主的人機交互方式正在逐漸暴露出短板——
「手動打字」需要用戶先有一個想法，再將散亂的思緒組織成連貫語言，還要在敘述中保持一定的邏輯關係，才能將腦袋裡想的變成 AI 能夠理解的提示。
The Passion of Creation｜Leonid Pasternak
而在鍵盤的另一邊，手機時代所主導的「語音輸入」就幾乎沒有這樣的桎梏。
畢竟講話和打字最大的區別，就是語音允許人們一邊輸出，一邊思考、補充和修正，相比鍵盤輸入更接近思維原本發生的方式。
此外，語音輸入不需要穩定的桌面環境，也不要求用戶持續低頭，更不用優秀的文字表達能力——
對於絕大多數沒有受過系統寫作訓練的普通人來說，語音遠比文字輸入更接近「真正的自然交互」。
這種廣泛的需求之下，自然也催生出了一批圍繞語音入口展開的產品。
比如勢頭正盛的 Plaud，主打的就是將錄音、轉寫和總結包裝成完整工作流；
成為樣板產品的 Typeless 則負責刪除語氣詞、進行格式清洗後「幫你成文」。
諸如光帆 Lightwear 之類的可穿戴設備則更進一步，試圖整合出一條傳統智慧型手機之外，全場景的完整 AI 使用流。
圖｜光帆科技
這些產品的形態各不相同，押注的卻是同一件事：
下一代 AI 入口，未必要求用戶坐下來、打開應用並認真打字。
嘿，AI
「自然語言交互」聽上去非常先進，但它先進的地方其實是溝通效率，技術原理上並沒有什麼驚天地泣鬼神的地方。
門檻最低的方案，就是一副 TWS 耳機加手機上的 AI，就能組成一個 24 小時在線的虛擬副手。
初代 AirPods 廣告《Bounce》｜Apple
畢竟耳機本來就在耳朵里，手機系統與第三方 app 也有現成的語音轉寫、快捷指令和跨應用輸入。
不需要任何專用硬體，就可以把你散碎的命令傳達給任何一個 AI 模型。
更殘酷的是，它的速度、兼容性和跨設備能力，仍然優於市面上大多數號稱「開創先河」的專用 AI 硬體——
圖｜Mashable
然而現實情況是，這套近乎無門檻的組合，真正的瓶頸不在手機、而在麥克風對環境人聲的處理。
就拿 AirPods 為例，由於 AirPods 的麥克風策略強調聲音自然度、不願意給人聲降噪，在多人環境裡經常會出現將周圍說話的聲音一併採集到轉成文字的問題。
這對於打電話或者發語音沒什麼，但對於 AI 輸入，一旦提示詞「夾生」，就很容易得到完全不相關的回答：
相比之下，國產品牌的 TWS 耳機普遍採用了更激進的人聲隔離策略，犧牲了一些通透模式自然度，換來了電話和 AI 語音期間更好的準確率。
如果往更深層看，這意味著在 AI 成為「主流使用場景」的當下，耳機好壞的評價標準正在改變——
過去耳機比的是音質、延遲和降噪，未來除了前面這些，更要比較人聲降噪的強度、準確性和分離能力。
甚至我們可以說，耳機麥克風正在從逐漸被人遺忘的通話配件，一舉變成了最前端的 AI 控制器。
Mission: Impossible (1996)
語音指揮的第二條路線，則是智能眼鏡。
儘管智能眼鏡總是強調「給人生加上一塊 HUD」，但從商品化結果來看，唯一成功的智能眼鏡仍是以語音、拍照和開放式音頻為核心的基礎款。
圖｜Laptop Mag
這背後的原因倒不複雜：眼鏡顯示系統會犧牲重量、續航和成本，更需要從 0 培養一套全新的用戶使用習慣。
而「看見什麼問什麼，AI 講給你聽」，本身就足夠構成一個相對清晰的 AI 賣點了。
圖｜Meta
但智能眼鏡的問題在於，它的「無感」更多存在於宣傳片裡。
畢竟當一副帶攝影機的眼鏡持續朝向別人時，對方很難判斷設備是否正在拍攝或者收音，這種不確定性本身就會製造社交壓力。
再加上受限於體積和續航，智能眼鏡的麥克風陣列、通話降噪和揚聲器效果，不一定比成熟的 TWS 耳機更好。
圖｜Stuff
更重要的是，在目前智能眼鏡的銷售模式中，這類產品往往與品牌客戶端和雲端模型深度綁定，用戶在模型選擇、數據遷移和跨設備切換方面缺乏自由度。
最簡單的例子就是 Meta。
Meta Ray-Ban 智能眼鏡在各個方面都比較平衡，卻強制用戶連接 Meta AI，不能作為藍牙音頻設備直接喚醒 Siri 或者其他智能助手。
圖｜Engadget
這種程度的綁定讓智能眼鏡雖然成為了「語音 AI 交互」的代表性產品，卻很難成為那個主流產品。
第三條路線，則是 2026 年以來逐漸興起的道路——為語音輸入 AI 製造獨立硬體入口。
比如剛剛 OpenAI 與 Work Louder 聯名的的 Codex Micro，就是一塊面向 AI 智能體的外置控制台。
並且上面專門設置了一個用於語音輸入的 push-to-talk（PTT）按鍵：
圖｜OpenAI
儘管 Codex Micro 本身沒有麥克風，PTT 需要調用電腦連接的其他收音設備，但這種設計依然具有象徵意義：
語音輸入已經不再只是 UI 中的一個小圖標，而開始逐漸獲得類似滑鼠右鍵、手機拍照鍵或者鍵盤指紋一樣的穩定的物理位置。
將語音輸入單獨作為一個按鍵設置，基本上承認了這種 AI 交互方式的高頻屬性——甚至對某些用戶可能比 26 個字母鍵都要更高頻。
羅永浩演示 TNT
而 PTT/TNT 更進一步的設想，就是徹底擺脫螢幕。
之前爆料過，OpenAI 正在規劃的若干硬體產品中，就包括一個無螢幕的便攜設備，通過語音、攝影機和環境傳感器理解用戶所處的情境。
圖｜MacRumors
如果 OpenAI 真的這樣設計，無異於承認了曾經 Humane AI Pin 的道路。
當然，背後有 ChatGPT 和 Codex 做背書，OpenAI 的徽章肯定會比 Humane 的更實用。
與此同時，面對 AI 語音交互最難繞開的兩個問題：公共場合說出個人安排的尷尬，以及嘈雜環境中的識別失真，研究者們也有了一些奇思妙想。
比如近期出現的一些「超聲波舌部動作識別」設備，通過抵在下頜的超聲波探頭讀取舌頭運動，再用機器學習將其解碼為語言：
圖｜Hackaday
另一些研究則嘗試把傳感器裝進眼鏡或頭顯，通過面頰、顴骨和口部的細微運動識別無聲指令——之前被蘋果悄悄收購的 Q.ai 就是研究這個方向的。
這些裝置距離消費級產品仍然很遠，識別範圍、準確率和佩戴體驗也存在明顯限制，但方向已經足夠清晰。
未來的「語音輸入」未必真的需要發出聲音——所謂語音交互，最終可能演化為對人類發聲動作、口型乃至面部肌肉活動的直接識別。
圖｜Game Anim
幫我算算 token 用量
歸根結底，為什麼語音輸入能夠在 AI 時代獲得超越鍵盤的聲望，還是因為人類不是純粹的「視覺動物」。
換言之，人們雖然習慣於用眼睛接收資訊，但並不擅長用視覺信號發送資訊。
在傳遞資訊這件事上，我們仍然遵循著 30 萬年前的習慣：發出「咕咕嘎嘎」的聲音就是要比打手勢效率高。
《九品芝麻官之白面包青天》（1994）
用語音指揮 AI，看似是一種相對低效的使用方式——人在講話時經常重複、跑題，表達也很難稱得上精煉。
但它最大的特點，就是消弭了 AI 的工具感。
無論用戶潛意識裡把 AI 當作下屬、秘書還是同伴，以對話作為交流媒介，始終比填寫命令框更接近人類本源的協作方式:
然而「語音交互」雖然便利，這種便利的隱性成本也在上升。
傳統 STT 工具只負責把聲音轉換成文字，最終模型用來計費的只有轉換後的文本輸入與輸出 token；
而 Typeless 之類的「文本清洗」工具還要額外調用模型，對口語進行整理和改寫，再把整理後的內容發送給另一個 AI，中間又疊加了一層 token 消耗。
圖｜MakeUseOf
而當各家的多模態模型進入「原生音頻
」的階段之後，由於需要持續處理聲音、上下文、語氣、打斷和輸出，一個工作階段內的 token 消耗量往往是純文本的 10 倍或更高。
雖然與高清圖片和影片處理相比，語音處理的總 token 成本依然不算離譜，但它已經不再是一個可以忽略的附屬功能。
尤其在長時間實時對話中，用戶很難像輸入文字那樣主動控制資訊長度，模型卻必須持續維持連接、理解上下文並生成反饋。
圖｜Mashable
這就導致 AI 語音交互越自然，背後的計算過程反而越複雜，用戶最終的消費成本也就更高。
這一點幾乎成為了最近 AI 廠商們的一種「陽謀」——
畢竟鼓勵語音交互一方面好處多多，另一方面更是將 token 消耗量推上一個新台階，沒有廠商會和收費過不去。
因此，對於模型廠商以及配件品牌來說，未來 AI 業務的競爭不只是能不能聽懂人話。
更關鍵的是，誰能以更低延遲、更少冗算和更透明的計費，調和好不同模態業務之間巨大的成本差異。
畢竟讓人們開口對 AI 講話並不難，真正難的是讓人們想要一直說下去。
