我真正开始系统性地观察AI语音交互产品，是在2023年下半年。那段时间我陆续换了三款智能音箱，家里的老人却始终只用它来定闹钟和问天气。这种落差让我意识到，语音交互这件事远没有厂商发布会上说得那么顺理成章。我决定以观察者的身份，把过去几年分散在不同产品、不同场景里的体验重新梳理一遍，形成一套能够持续跟踪的研究框架。这一章先交代观察的出发点、边界划分和研究方法。
1.1 观察背景：语音入口价值回归与大模型、多模态融合趋势
我回看语音交互的起落，会发现一个很明显的周期。2014年到2018年那一波智能音箱热潮，语音被当成下一代计算入口，资本和厂商蜂拥而至。随后几年热度退潮，产品同质化严重，用户高频使用的功能集中在少数几个指令上。很多人都觉得语音交互被高估了。我自己的感受也是，那个阶段的语音助手更像一个只会执行固定命令的遥控器，谈不上理解。
大模型的出现改变了这个判断。我观察到，2022年底以来，语音交互产品的底层能力出现了一次明显的跃迁。以前多轮对话稍复杂一点就崩，现在能记住上下文、能处理模糊指代，甚至能完成一段有逻辑的对话任务。多模态融合也在加速，语音和视觉、触控、传感信号开始协同工作。我在车载场景里体会特别深，语音结合屏幕和摄像头之后，交互的自然度完全不一样了。语音入口的价值被重新讨论，我认为这一次的基础比上一轮扎实得多。
当然，我也不想把趋势说得太乐观。大模型带来的语义理解提升，只是解决了链路中的一环。声学前端、唤醒、端云协同这些老问题依然存在。我在嘈杂环境里测试过几款产品，识别率仍然会明显下降。所以这一轮价值回归，我更愿意把它理解为一次能力补齐，而不是彻底的颠覆。观察这些产品，需要同时看到进步和短板。
1.2 产品边界：从语音助手到全场景交互中枢与对话式Agent
我给“AI语音交互产品”划定的边界，一直在调整。最初我把它理解为带语音功能的硬件，比如音箱、耳机、车载系统。后来发现这个定义太窄。很多产品没有独立硬件形态，语音只是应用里的一个入口，比如手机助手、App内的语音客服、甚至是浏览器里的对话插件。它们同样值得纳入观察范围。
我现在更倾向于用“能力”而不是“形态”来划边界。只要一个产品把语音作为主要的输入或输出通道，并且具备一定的语义理解和任务执行能力，我就把它算进来。这个定义下，边界自然延伸到了全场景交互中枢和对话式Agent。我看到一些产品已经不再满足于被动响应指令，而是尝试主动发起对话、追问确认、跨应用编排任务。这种变化让产品边界变得模糊，也让我在观察时必须更谨慎地区分“演示能力”和“稳定可用能力”。
边界模糊带来的一个麻烦是，横向对比变得困难。智能音箱和车载语音的评测口径完全不同，一个手机语音助手和一套客服Agent也很难放在同一张表里打分。我在后面章节里会反复遇到这个问题。我的做法是先按形态分类，再在同类产品之间做横向比较，跨类产品只做能力层面的参照。这样虽然牺牲了一部分可比性，但观察的准确性更有保障。
1.3 观察框架：技术能力、产品形态、用户体验、场景落地四层模型
拆解这些产品，我用的是一个四层模型。最底层是技术能力，包括ASR、TTS、NLU、对话管理、声学前端这些模块。这一层决定了产品能力的上限，也是厂商宣传时最爱堆参数的地方。我观察到，很多产品在实验室指标上很漂亮，实际用起来却是另一回事。技术能力和用户体验之间存在一道很宽的沟，不能直接画等号。
中间两层是产品形态和用户体验。产品形态决定了交互的物理约束，比如音箱的远场拾音和耳机的近场拾音，场景适配的逻辑完全不同。用户体验则是我最看重的部分。我会关注唤醒是否灵敏、表达是否自然、出错后能不能顺畅纠正、多轮对话会不会丢失上下文。这些细节在参数表里看不到，却直接决定用户会不会持续使用。
最上层是场景落地。同一套技术能力，放在智能家居和放在教育场景里，产品设计思路差异很大。我观察时会刻意把场景因素单独拎出来，看产品在特定场景里是否形成了任务闭环。四层模型的好处是，它能帮我把一个产品的表现拆开来看，不至于被某个亮眼的单点能力带偏。这个框架会贯穿后面所有章节的分析。
1.4 研究说明：观察样本、评测口径与信息获取方法
关于观察样本，我尽量覆盖不同的产品类型和厂商梯队。头部平台型产品、创业公司的垂直产品、传统硬件厂商的语音模块，都有涉及。样本数量不算多，我更看重每个样本的使用深度。一款产品我会持续用上几周甚至几个月，覆盖不同的使用场景和时段，而不是只做一次短时间的体验。这样得到的观察更接近真实使用状态。
评测口径方面，我尽量把主观体验和客观指标分开记录。客观指标包括识别率、响应时延、误唤醒次数、任务完成率这些可量化的数据。主观体验我会记录使用时的感受、卡点出现的频率、以及我自己愿意继续使用的意愿。这两类信息我会对照着看，有时候数据表现不错，体感却很差，这种矛盾本身就是有价值的观察点。
信息获取方法上，我用得比较多的是实际使用、公开资料梳理和用户反馈收集。厂商发布会和产品文档我会看，但只当作参考，不作为结论依据。用户反馈主要来自社区讨论、应用商店评论和朋友间的非正式交流。这些信息比较零散，胜在真实。我在写作时会明确区分哪些是亲身体验，哪些是二手信息，避免混淆。这套方法不完美，但能保证观察过程是可追溯的。
看一个AI语音交互产品到底行不行，我习惯把它拆开揉碎了看。上一章我把观察框架搭起来，这一章就顺着框架往下走，把能力图谱和产品形态这两件事说透。我自己的体会是，能力图谱解决“它凭什么能做到”的问题，产品形态解决“它做成了什么样子”的问题。这两块拼在一起，才算把一款产品看清楚了。
2.1 核心技术栈观察：ASR、TTS、NLU、对话管理、声学前端与端云协同
技术栈这一层，厂商宣传时最爱报数字。识别率、响应时延、模型参数量，发布会上PPT翻得飞快。我实际用下来的感受是，单项指标漂亮和整体体验好用之间，差着好几道坎。ASR把声音转成文字这一步，安静环境下各家差距不大，一进地铁、厨房、商场，分化立刻出来。我在家厨房开着抽油烟机测过几款产品，有的能把“把火调小”听成“把锅调小”，有的就稳很多。声学前端处理的质量，在这个场景里比ASR模型本身还关键。
TTS和NLU这两块，近两年进步肉眼可见。TTS的机械感在消退，一些产品的合成音已经能带出自然的停顿和语调起伏，长时间听不累。NLU的变化更大，大模型接进来之后，语义泛化能力明显强了，以前说一句稍微绕一点的话就听不懂，现在能接住。我自己习惯用省略句和倒装句跟语音助手说话，以前经常被回一句“抱歉我没听懂”，现在多数能猜对意思。
对话管理是最容易露怯的环节。多轮对话聊到第三第四轮，上下文还记不记得、指代能不能对上、话题切换后能不能接回来，这些细节决定了一款产品是“能用”还是“好用”。端云协同我单独拎出来说，是因为它直接关系到响应速度和隐私边界。纯云端方案延迟高、断网就瘫，纯端侧方案能力受限。我看到一些产品开始做端云分流，简单指令本地处理，复杂任务上云，这个思路是对的，但实际切换的平滑度各家差异很大。有的产品切换时会有明显卡顿，有的就无感。这种细节在参数表里根本看不到，只能靠实际用出来。
2.2 交互能力进阶：唤醒、连续对话、打断、多轮上下文、声纹与情感识别
唤醒是用户和产品之间的第一道门。这道门开得灵不灵，直接塑造第一印象。我测过一款音箱，误唤醒率控制得不错，但代价是唤醒灵敏度偏低，正常音量说话经常喊不醒。这个平衡点很难拿捏，厂商的调校风格差异很大。有些产品为了演示效果把灵敏度拉高，结果电视里一出现类似发音的词就自己醒了，这种体验很糟糕。
连续对话和打断能力，是我判断一款产品是否“像在跟人说话”的核心指标。连续对话做得好，用户不用每说一句都重新喊唤醒词，交流节奏自然很多。打断能力考验的是系统对语音端点检测的精度，我说到一半改主意了，产品能不能立刻停下来听新指令。我遇到过打断之后要等两三秒才重新进入聆听状态的产品，那个停顿特别出戏。
多轮上下文、声纹和情感识别，属于进阶能力。多轮上下文我在车载场景里感受最深，导航到一半说“换条不走高速的路”，系统得记住当前目的地和偏好，这背后是对话状态跟踪的功夫。声纹识别目前落地还不算普遍，我体验过的几款产品里，声纹主要用于区分家庭成员做个性化推荐，准确率尚可，但换了个感冒鼻音重的日子就认不出来了。情感识别更早期一些，能听出用户语气里的急躁并调整回应策略的产品，我目前只见到零星尝试，效果还不稳定。这些能力的方向是对的，离成熟还有距离。
2.3 主要产品形态：智能音箱、车载语音、耳机、家居中控、机器人与AI Agent
产品形态决定了交互的物理约束，这一点我在观察中反复验证。智能音箱是远场交互的典型代表，拾音距离远、环境噪声复杂，对声学前端的要求最高。它的优势是常驻固定位置、随时待命，劣势是移动性为零。我在客厅和卧室各放了一台，发现同一品牌不同型号在远场拾音上的差距可以很大，大房间和小房间的适配策略也不一样。
车载语音是这两年进步最快的形态。车内空间相对封闭，噪声源稳定，声学处理难度比开放环境低。加上屏幕、摄像头、传感器多模态融合，语音能结合视线方向、手势做联合判断。我试过在高速上开着窗用语音调空调，风噪很大，识别率会掉，但比前几年强太多了。车载语音的另一个特点是任务导向明确，导航、音乐、电话、车控，闭环清晰，这反而让体验更扎实。
耳机形态近场拾音，天然抗噪，但交互窗口窄，用户不太习惯对着耳机说长句子。家居中控面板把语音和触控绑在一起，适合厨房、玄关这类双手不便的场景。机器人形态我观察得不多，主要问题是移动带来的噪声和拾音方向变化，技术挑战不小。AI Agent是最近冒出来的新形态，它不绑定特定硬件，以软件形态存在，强调任务编排和主动服务。我试用过几个，演示效果惊艳，稳定性还差些火候，长任务链跑着跑着就断了。这种形态的想象空间大，现阶段的成熟度得打个问号。
2.4 关键性能指标：识别率、响应时延、误唤醒率、任务完成率与留存表现
指标这件事，我的态度是既看重又不迷信。识别率是最常被引用的数字，但口径差异极大。安静环境下的识别率和噪声环境下的识别率，完全是两个概念。我记录识别率时会标注测试条件和说话内容类型，否则数字之间没法横向比较。响应时延也是类似情况，厂商往往报的是云端处理时延，用户感知到的时延还包括唤醒、端点检测、网络传输这些环节。我从说完话到听到回应开始计时，这个体感时延比官方数字更诚实。
误唤醒率是一个容易被忽视但极其影响日常体验的指标。误唤醒多了，用户会烦，甚至直接拔电源。我统计过一周内某款音箱的误唤醒次数，最高的一天有四次，触发词都是电视节目里的相似发音。任务完成率比识别率更接近用户价值，识别对了但任务没执行成功，等于白搭。我测任务完成率时会设计一组典型任务，覆盖单轮指令、多轮任务、模糊表达几种类型，分开统计。
留存表现是我最近才开始认真看的指标。前面几个指标反映的是单次交互质量，留存反映的是长期价值。一款产品识别率再高，如果用户用了两周就闲置，说明它没有嵌入用户的日常习惯。我看留存数据主要参考公开的行业报告和社区讨论里的用户自述，自己也会记录每款产品在观察期内的使用频次变化。这个指标滞后性强，但最能说明问题。指标之间经常打架，识别率高但留存低的产品我见过不止一款。这种矛盾恰恰是最值得深挖的地方，它说明用户体验不是几个数字能概括的，背后还有场景匹配度、习惯养成、情感连接这些软性因素在起作用。
把能力图谱拆完，接下来该把手里的产品摆到一张桌子上比一比了。上一章聊的是单款产品怎么拆，这一章我换个视角，把市面上能见到的几类玩家放到同一个坐标系里，看看各自的打法、长短和真实差距。我自己做竞品分析有个习惯，不先看参数表，先看这家公司靠什么赚钱、产品在它业务盘子里扮演什么角色。这个背景摸清了，很多体验上的取舍就解释得通了。
3.1 竞品格局划分：平台型、硬件型、垂直场景型与大模型原生型产品
平台型玩家手里攥着底层能力，语音识别、语音合成、语义理解这些模块对外输出，自己不一定做整机。我接触过几家平台型厂商的技术方案，优势是通用性强、接入门槛低，中小硬件公司拿过去改一改就能用。短板也明显，标准化方案对特殊场景的适配深度有限，遇到强噪声或者方言重的环境，调优空间得靠客户自己填。平台型选手的竞争焦点在价格和调用量上，谁家的API更便宜、响应更稳，谁就能圈住更多B端客户。
硬件型玩家走的是另一条路，把语音能力塞进自己造的设备里，靠整机出货赚钱。音箱、电视、车机、耳机，形态铺得广。我观察下来，这类公司的语音体验往往和它的硬件销量强相关，卖得好的产品有资源持续迭代，边缘型号的语音能力常年停在出厂水平。硬件型的优势是软硬一体调校，麦克风阵列和算法能一起设计，拾音效果容易做扎实。劣势是封闭，用户被锁在自家生态里，跨品牌互联基本别想。
垂直场景型玩家选一个赛道扎下去，车载、教育、医疗、客服，场景边界清晰，任务闭环短。我试过几款教育场景的语音产品，针对性很强，孩子跟读打分、口音纠正这些功能做得细，通用对话能力反而不如消费级音箱。这种取舍是对的，场景越窄，评测标准越容易定，用户预期也越明确。大模型原生型是最近两年冒出来的新物种，没有硬件包袱，以软件形态寄生在手机、车机或者独立App里，靠大模型的语义泛化和任务编排能力讲故事。我体验过几个，自由对话的流畅度确实高出一截，长任务链的稳定性还得再磨。这类玩家的变量最大，迭代速度以周计，今天测出来的短板下个月可能就补上了。
3.2 评测维度设计：基础语音能力、语义理解、多轮任务、生态服务、隐私安全
维度设计这件事，我吃过亏。早期做评测，我列了一堆技术指标，识别率、时延、唤醒率，测完发现跟用户实际满意度对不上。后来调整思路，把维度分成两层，一层是硬能力，一层是软体验。硬能力包括基础语音能力和语义理解，软体验包括多轮任务、生态服务和隐私安全。两层加起来，才勉强能描出一款产品的全貌。
基础语音能力我拆成三项看：噪声环境下的识别稳定性、合成音的自然度、唤醒的精准度。这三项是地基，地基不稳后面全白搭。语义理解我重点看模糊表达和省略句的处理，用户说话不会像写文档那么规整，说一半改口、用代词指代、带情绪的语气词，这些才是真实语料。我设计过一组测试句，故意省掉主语和谓语，看产品能不能结合上下文猜出意图，结果分化很明显。
多轮任务这一块，我盯的是任务完成率和轮次成本。同样一件事，用户说三轮能办成还是说七轮才办成，体验差着量级。生态服务看的是能调动的资源有多少，订票、点外卖、控家电这些第三方服务接得全不全，接了之后调得动调不动。隐私安全这个维度容易被评测报告忽略，我坚持把它单列出来，看的是唤醒后数据上传的范围、有没有本地处理选项、隐私政策写得清不清楚。用户对这个维度的敏感度在上升，评测体系里不体现，就等于失焦。
3.3 评测方法组合：实验室测试、真实场景路测、任务型基准、A/B测试与用户反馈
方法上我不相信单一手段。实验室测试能控变量，信噪比、混响时间、说话人距离都能设定，测出来的数据干净，可比性强。问题也出在这个“干净”上，实验室里跑高分的产品，搬进真实客厅可能立刻翻车。我现在的做法是实验室测基础盘，真实场景路测补差异。路测不设脚本，就按日常习惯用，做饭时喊一嗓子、开车时调个导航、躺床上问个天气，把偶发问题都记下来。这种笨办法费时间，但能挖出参数表里永远看不到的东西。
任务型基准是我最近重点搭的一套东西。针对每款产品设计一组标准任务，覆盖单轮指令、多轮任务、模糊表达、纠错恢复几种类型，统一口径打分。这套基准的好处是横向可比，新出的产品扔进来跑一遍，跟老产品放一张表里看，差距一目了然。A/B测试我主要用在自己深度观察的几款产品上，同一个任务换不同说法，看系统反应的一致性。用户反馈这块，我除了看应用商店评论和社区帖子，还会找真实用户聊，问他们最烦的是什么、什么时候会放弃语音改用触屏。这些一手信息比任何评分都鲜活。
3.4 典型竞品对比观察：能力优势、体验短板与差异化路径
拿几款有代表性的产品放在一起看，差异比单独看时清晰得多。某平台型方案在安静环境下的识别准确率排在前列，接进第三方硬件之后表现却参差不齐，问题出在声学前端和麦克风阵列的匹配上。这家厂商的算法强、硬件适配弱，客户拿过去得自己填坑。另一家硬件型巨头的产品，单机体验很稳，唤醒灵敏、打断干脆、多轮对话几乎不出错，代价是生态封闭，第三方服务接入有限，用户想用它控非自家品牌的电器基本没戏。
垂直场景里跑出来的一批产品，任务完成率明显高于通用型选手。车载语音在导航和车控这两件事上，闭着眼睛都能做对，换成闲聊或者知识问答就露怯。这种偏科不是缺陷，是策略选择。大模型原生型产品的对比最有意思，自由对话的轮次和话题深度碾压传统语音助手，我试过跟它聊二十轮不重样，上下文记得住、指代对得上。短板在端到端时延和稳定性，网络一波动，体验断崖式下滑。还有一类产品走低成本路线，硬件便宜、功能基础，识别率不高但胜在便宜量大，下沉市场吃得住。
差异化路径看下来，各家其实都在补自己的短板。平台型在往场景方案上走，硬件型在慢慢开放生态，垂直型在试通用能力，原生型在啃端侧部署和延迟优化。谁补得快，谁就能在下一轮竞争里多占一块地。
3.5 评测结论提炼：从参数竞争转向全链路体验竞争
测了这么多轮，我最大的感受是参数竞争已经到头了。识别率报到98%、99%，用户感知不出差别。时延从800毫秒压到500毫秒，体感有提升但边际递减明显。厂商还在发布会上比数字，用户早就不看这些了。真正拉开差距的是全链路体验，从唤醒那一刻到任务办完那一刻，中间每一环的顺滑度累加起来，才是用户记住的东西。
全链路体验这个词听着虚，拆开看很具体。唤醒之后多快进入聆听状态、说完话多久给出反馈、多轮对话里上下文丢不丢、任务失败之后有没有兜底方案、跨设备切换连不连贯，这些细节单拎出来都不起眼，串在一起就是体验的分水岭。我看好那些愿意在链路上做笨功夫的产品，而不是只会在单项指标上刷分的选手。评测体系也得跟着变，从测“它能不能听懂”转向测“它能不能把事办完、办得顺、办得让用户愿意再用一次”。这个转向已经在发生，只是速度比我想的慢。
上一章末尾我提到全链路体验这个词。这一章我想把它拆开，落到具体的人、具体的房间、具体的场景里。我自己有个习惯，每拿到一款新品，不急着看参数，先把它扔进日常生活用两周。买菜的清单、孩子的睡前故事、开车时的导航、开电话会时的记录，全交给它。两周之后，哪些环节顺手、哪些环节想砸机器，心里就有数了。用户不会按评测报告的方式使用产品，他们按自己那套乱七八糟的生活节奏用。
4.1 用户体验旅程：唤醒、表达、理解、执行、反馈与纠错闭环
我把一次完整的语音交互拆成六段来看：唤醒、表达、理解、执行、反馈、纠错。这个拆法不是学术框架，是我自己用出来的。唤醒是第一道门槛，用户站得远、环境吵、手上有活，这三种情况下喊一嗓子没反应，后面全免谈。我试过在抽油烟机全开的厨房里喊某款音箱，连喊四遍才亮灯，第五遍我直接上手按了。那一瞬间用户的心理账户就关了，下次他会优先找按钮。
表达这一段最有意思。用户说话跟写指令是两回事，中间会卡壳、会改口、会加一堆没用的语气词。“那个，帮我定个明早七点的闹钟，不对，七点半吧，算了还是七点。”这种句子我专门录过一批，扔给不同产品跑，结果分化特别大。有的产品卡在“不对”两个字上直接重来，有的能顺着改口把最终意图抓出来。理解这一环的差距就在这些毛边上，用户不会觉得自己表达有问题，只会觉得机器笨。
执行和反馈是一对。任务办成了，反馈得快、得清楚，别让用户猜。我遇到过一款产品，让它把客厅灯调暗，灯确实暗了，音箱回了一句“好的，已为您调整设备状态”，用户根本不知道调的是哪盏灯、调到了什么程度。反馈模糊带来的后果是用户不敢用，每次都得扭头看灯。纠错环节更能看出产品的成熟度。用户说错了、机器听错了，能不能一句话拉回来，不用从头再来一遍。这个闭环转不顺，用户用三次就烦了。我观察下来，愿意在纠错上做设计的团队不多，大部分精力花在首次识别率上，用户实际使用时最抓狂的恰恰是那条回头路。
4.2 场景落地优先级：家居、车载、办公、教育、陪伴与公共服务
场景优先级这件事，我不太信厂商发布会的排序。我自己的判断标准很简单：这个场景里，用户的手和眼睛是不是真的被占住了。手眼被占，语音就是刚需；手眼闲着，语音就是个玩具。家居场景排第一，原因在于做饭、拖地、哄孩子这些时刻，用户腾不出手，喊一嗓子开灯关窗帘是实打实的省事。我家里用得最多的就是定时器和家电控制，别的功能新鲜三天就放下了。
车载是第二个真刚需。开车时眼睛不能离开路面，语音导航、切歌、打电话、调空调，每一项都有明确的替代价值。我路测过几款车机语音，做得好的那家能把“找附近评分高的充电站并导航过去”一口气办完，做得差的那家连“我有点冷”都接不住，只会回一句“请说出您要调节的温度”。差距不在识别率，在任务编排。
办公和教育的落地难度比想象中大。办公场景噪声杂、多人说话、专业术语多，语音输入法在安静工位上好用，一到开放办公区就拉胯。教育场景倒是有意思，孩子跟读打分、口算听写这类任务闭环短、标准清晰，跑出来的产品用户黏性很高。陪伴和公共服务我持谨慎态度，养老陪伴的想象空间大，真实付费意愿和运营成本还没跑通；医院、政务大厅这类公共服务场景对准确率和隐私的要求极高，一次误识别可能惹出麻烦。这些场景不是不能做，得先把兜底机制设计好再进去。
4.3 落地关键问题：噪声鲁棒性、方言口音、隐私边界、失败恢复与跨设备连续性
噪声鲁棒性这四个字，我在实验室写报告时觉得是技术参数，跑到用户家里才发现是情绪问题。用户不会说“你这产品信噪比不行”，用户会说“这破玩意儿又聋了”。我记过一组数据，同一款音箱在安静卧室的唤醒率跟开着电视的客厅比，差了将近一倍。厂商宣传页上写的识别率是在什么条件下测的，用户根本不知道，他们只知道自己喊了三遍没反应。
方言口音是另一个被低估的坑。我找过几位说西南官话和粤语的朋友试产品，普通话识别几乎满分的机器，换上方言立刻掉到及格线以下。有些产品做了方言模式，得手动切，切完普通话又识别不准，来回折腾。真实用户不会为了说一句话先切模式，他们要么忍，要么弃用。
隐私边界这个事，用户的敏感度比厂商想象的高。我访谈过一位用户，她家里有摄像头带语音功能，买回来第一件事是拿胶带把麦克风孔贴上。问原因，她说“我不知道它什么时候在听”。这种不信任感不是靠隐私政策文档能消除的，得靠产品设计说话，比如物理静音键、本地处理选项、唤醒后明确的指示灯。失败恢复和跨设备连续性更像体验的暗礁。任务失败了，产品是装死、是甩锅、还是给个台阶下，用户感受完全不同。跨设备这块，我在家和车里各有一套语音系统，同一个账号，历史记录不互通，导航路线得重新说一遍，这种割裂感会一点点消耗用户的耐心。
4.4 用户研究方法：可用性测试、日记法、场景埋点、满意度与NPS观察
研究方法上我走过不少弯路。早期迷信可用性测试，找几个用户在实验室里按脚本完成任务，数据漂亮，结论一堆。回头想想，实验室里的用户是“表演型用户”，他们会努力配合机器，失败了也愿意再试一次。真实场景里没人有这份耐心。我现在做可用性测试会刻意制造干扰，放电视声、让用户边走动边说话、中途打断他们，看产品在狼狈条件下的表现。
日记法是我最近两年用得最多的。让用户连续两周记录每次使用语音的场景、说了什么、结果如何、当时情绪怎么样。这个方法费劲，回收率也不高，挖出来的东西却最真。有位用户连记了十天，第八天写了一句“今天做饭时喊了三次关小火，它给我放了首歌，我直接把插头拔了”。这种细节任何问卷都问不出来。场景埋点适合看大盘趋势，哪个功能用得多、哪个环节流失快，数据能指路，具体原因还得靠人补。
满意度和NPS我一直在用，也一直在警惕。语音产品的NPS有个特点，用户打分容易两极分化，用得顺的给九分十分，被误唤醒折磨过的给零分。平均值没意义，得看分布、看评论里的具体抱怨。我习惯把NPS跟行为数据对起来看，打分高但周活低的用户群体特别值得研究，他们嘴上说好，手上不用，中间一定有个没被满足的需求。
4.5 场景化案例观察：成功条件、失败教训与可复用落地经验
说一个我跟踪了大半年的案例。某品牌做了一款面向老年人的语音陪伴设备，主打用药提醒和紧急呼叫。刚上线时团队把精力全砸在闲聊能力上，想让老人觉得“有个伴儿”。跑了三个月数据，发现老人用得最多的功能是定时提醒和给子女发语音消息，闲聊功能的次日留存不到两成。团队调整方向，把提醒做得更细，支持多条用药计划、支持子女远程添加、提醒没回应会自动通知家属。改完之后周活翻了一倍多。这个案例让我记住一件事：场景落地别猜用户要什么，看他们实际在用什么。
失败教训我也攒了几个。有款车载语音产品，功能列表拉得很长，能订咖啡、能查股票、能讲笑话，实际路测时司机最常用的还是导航和音乐。那些花哨功能在开车场景里认知负荷太高，用户不敢用，怕分心。产品团队后来把首页指令精简到八个高频项，满意度反而升了。还有一个做智能家居中控的团队，跨品牌兼容做得不错，栽在失败反馈上。用户说“打开客厅灯”，灯没反应，中控回一句“设备未响应”，用户不知道是灯坏了、网断了、还是自己说错了。后来改成“没找到客厅灯，您是想开卧室灯吗”，客诉降了一大截。
可复用的经验我提炼三条。场景选择上，优先找手眼被占、任务闭环短、失败代价低的地方切入，跑通了再往复杂场景扩。产品设计上，把纠错和兜底当成一等公民来做，别只盯着首次成功率。迭代节奏上，埋点数据和用户日记要混着看，数据告诉你哪里出了问题，人告诉你为什么出问题。这三条不新鲜，真正做到的产品不多。
上一章结尾我提到三条可复用经验。这一章我想往前走一步，聊聊趋势和策略。说实话，趋势判断这件事特别容易写空。翻翻各家发布会PPT，大词满天飞，落到产品上你会发现，厂家的路线图跟用户的真实需求之间隔着一条街。我自己的做法是：判断趋势时先看技术拐点，再看产品形态，最后落到具体任务上验证一遍。拐点看不准，后面全是白忙活。
5.1 趋势判断：大模型驱动对话式Agent、多模态融合、端云协同与情感化交互
大模型对语音交互的改变，我感受最深的一点是：产品终于能听懂“人话”了。以前做语音助手，团队花大力气写意图库、穷举说法，用户稍微拐个弯就掉出去。现在大模型接手语义理解这一层，用户说“我回家得洗衣服，顺便把客厅收拾一下，对了明天早上别忘叫我”，机器能把三件事拆开、把时间关系理清、把隐含的上下文记住。这不是参数提升，是交互范式的变化。语音助手正在变成对话式Agent，从“听指令办事”转向“理解目标、拆解任务、连续执行”。
多模态融合这块，我的观察是别高估短期、别低估长期。带屏音箱、车载摄像头、手机视觉，这几样东西凑到一起，语音加视线、语音加手势的交互已经有点意思了。我在车上试过指着某栋楼说“导航到那儿”，系统靠摄像头定位+语音指令完成了任务，体验很自然。这类能力现在还不够稳，光线差、速度快就掉链子，方向没问题，成熟还得等硬件和模型一起往前走。
端云协同是容易被低估的一条线。云端模型能力强，延迟和隐私是软肋；端侧反应快、数据不出设备，能力又有限。我体验过几款把唤醒和基础指令放在端侧、复杂任务上云的产品，响应速度明显舒服。这条路的难点不在技术选型，在成本分摊和策略调度——什么任务留在本地、什么任务放出去、网络断了怎么降级，这些细节决定用户感受。情感化交互我持谨慎乐观态度。用户确实希望机器“有点人情味”，情感识别的准确率、情感回应的分寸感，目前还停留在尝鲜阶段。做得过头会让人觉得假，做得不够又显得冷冰冰。
5.2 机会识别：垂直场景深度、跨端连续体验、个性化记忆与开放生态
机会这块我列了四个方向，全部来自实际使用中的痛点。垂直场景深度是第一个。通用语音助手已经卷成红海，谁都能应答天气、放音乐，差异化拼不出来。往垂直里扎，医疗问诊、法律咨询、教育陪练、工业巡检这些场景，术语密度高、任务链条长、用户付费意愿明确。我接触过一家做口腔诊所语音助手的团队，只服务这一个场景，把病历录入、复诊提醒、耗材管理跑通了，单店续费率特别漂亮。窄赛道跑深了，护城河比宽赛道跑浅了扎实得多。
跨端连续体验是第二个。我家里、车里、办公室是三套不同的语音系统，同一个任务换个地方就得从头说一遍，这种割裂感太强烈了。谁能把手机、车机、家居设备之间的上下文打通，用户粘性会明显上升。技术上要求账号体系、记忆存储、隐私隔离一起做，工程量大，做成的产品市面上还不多，窗口期还在。
个性化记忆和开放生态是连着看的两件事。记忆这件事，用户嘴上不说，心里很在意。机器记得我常去的餐厅、记得我孩子的名字、记得我上周问过的那本书，下次对话就能省一半口舌。前提是用户得信任你，知道这些数据存在哪里、怎么用、能不能删。开放生态是另一个维度。语音交互的价值不在助手本身，在它能调动多少服务。现在很多产品的生态是封闭花园，能做的事有限。谁能把第三方开发者真正拉进来、把接入门槛降下来、把分账机制理顺，谁就能拿到更丰富的任务闭环。这两条加起来，构成了从“能听懂”到“能办事”的跨越。
5.3 风险审视：隐私合规、模型幻觉与错误执行、生态碎片化与同质化竞争
风险这一节我想说得直白一点。隐私合规是所有语音产品绕不过去的坎。我访谈过的用户里，超过一半的人担心设备“偷偷在听”。这种担心不是空穴来风，误唤醒、云端留存、第三方共享，每个环节都可能出问题。监管在收紧，用户在用脚投票。产品设计上，物理静音键、本地处理、唤醒灯、数据可查可删，这几样东西的成本不高，对信任的修复作用很大。躲着不谈、靠一纸隐私政策糊弄，早晚要还账。
模型幻觉在语音场景里的破坏力比文本场景大得多。文本里生成一段错话，用户看一眼就发现了；语音里执行一个错误指令，可能直接把事情办砸。我见过用户说“把空调调到二十六度”，机器回“好的，已为您把空调调到十六度”，用户没听清，冻了一晚上。模型越强、能力越开放，幻觉带来的后果越重。产品策略上，高风险任务必须加确认环节、加边界约束，宁可多问一句，也别自作主张。
生态碎片化和同质化竞争是市场层面的风险。语音交互的协议标准不统一，各家生态各自为政，用户跨品牌使用体验很差，开发者接入成本高。同质化更明显，打开电商平台搜智能音箱，功能列表几乎一模一样，价格战打得一塌糊涂。突围的路只有两条：要么在垂直场景做出别人替代不了的深度，要么在体验细节上做出用户能感知的差异。中间地带最危险，参数不差、体验平庸，用户凭什么选你。
5.4 策略建议：以场景任务闭环为纲、以评测体系持续迭代、以用户体验指标治理产品
策略建议我提三条，都是踩过坑之后总结的。第一条，以场景任务闭环为纲。别再从技术能力出发规划产品，从用户要完成的任务出发倒推。用户要的是“把这件事办成”，不是“识别率百分之九十八”。产品规划时先把高频任务列出来，把每个任务的完成路径画清楚，再看技术栈怎么配、生态怎么接、失败怎么兜。任务闭环做扎实了，用户自然留下来。做不扎实，功能列表再长也是摆设。
第二条，以评测体系持续迭代。我前面章节提过评测框架，这里想强调“持续”两个字。语音产品的体验受环境、用户、版本影响很大，一次实验室测试的结论撑不了半年。我建议团队把评测做成日常动作：固定一批真实场景做周度回归、固定一批种子用户做月度访谈、固定一批任务做版本对比。评测维度别只盯识别率，多轮任务完成率、纠错成功率、跨设备连续性这些指标更能反映真实体验。数据积累起来，产品迭代才有方向感。
第三条，以用户体验指标治理产品。这话听起来虚，落实下来很具体。把唤醒成功率、任务完成率、误唤醒次数、纠错使用率、周活留存这些指标做成看板，挂到产品团队的日常决策流程里。新功能上线前先过指标关，上线后看指标变化。我见过不少团队，功能做得很炫，指标一动不动，也没人追问为什么。指标不治理产品，产品就会被直觉和老板偏好治理。这三条建议不复杂，难的是坚持。
5.5 结语：构建AI语音交互产品观察的持续研究框架
写到最后这一节，我想回到这份观察的起点。最开始我想回答的问题很简单：语音交互这件事，到底能不能从“新鲜玩意儿”变成“日常工具”。写完这几章，我的答案偏向肯定，前提是产品团队愿意把功夫下在任务闭环、体验细节和信任建设上。技术拐点已经出现，大模型把语义理解的天花板抬高了，多模态和端云协同把交互的可能性拓宽了。剩下的问题是工程和产品层面的笨功夫。
这份观察本身也需要持续迭代。样本会变、产品会变、用户预期也会变。我打算把评测框架固定下来，每季度跑一轮，把纵向数据攒起来。单个时点的横评能看出差距，连续多期的观察才能看出趋势。我希望这份框架能成为一面镜子，产品团队照一照，知道自己在哪、该往哪走。用户不关心趋势报告，用户关心的是喊一嗓子，事情办成了没有。所有趋势判断和策略建议，最终都要回到这一句话上。
