兩年前你跟一個 AI 陪伴硬件說話，體驗更像在對一臺會播答案的喇叭下指令。到了 2026 年，像樣的產品已經能和你「聊」起來——不是念稿，是有來有回。背後撐着這點的，是一套把語音往返壓到 200 毫秒以內的工程管線，以及端側和雲端之間越來越聰明的分工。
200 毫秒以內，才不像對講機
一套現代對話語音管線，基本是 ASR（語音轉寫）、LLM（理解加生成）、TTS（合成語音）三段串起來。難點在延遲：一旦超過幾百毫秒，人就會覺得在跟對講機說話。2025 年底，OpenAI 的 Voice Mode 和 ElevenLabs 的對話式語音都把這個往返壓到了 200 毫秒以內，靠的是定制音頻編碼器和常用句式的邊緣緩存。可穿戴廠商也接上了這條低延遲路徑——Humane 二代 pin、Limitless 吊墜都把語音輸出接進常駐身體的硬件。延遲達標，對話才像對話。
但「快」只是門檻，真人感的另一半在端側和雲怎麼分。Apple Intelligence、Gemini Nano、Qualcomm 的 NPU 把越來越多推理搬回本地：喚醒詞、語音活動檢測（VAD）、甚至簡單的意圖識別在 MCU/DSP 上就跑完了，原始音頻默認不離開設備。重一點的理解、長上下文，才上雲。這種混合架構是 2026 年的主流——既保住隱私，又不會讓設備變磚。真人感，首先是「它聽見我了、而且沒把我的聲音傳走」的踏實。
真人感的另一半是隱私
光快還不夠，像人說話靠的是語氣和情緒。工程上這叫韻律（prosody）和情感計算（affective computing）：TTS 不再平直念稿，而是按上下文給停頓、重音和語調；設備端也做情感識別，判斷你是在吐槽還是求安慰，再決定回得輕還是重。市場數據印證了這條線的熱度——研究機構測算，全球 AI 陪伴機器人市場 2025 年約 46.8 億美元、2032 年望達 209.2 億美元，年復合增速約 23.85%；其中「聊天陪伴」是老年陪伴機器人裏最大的細分。需求底座很直白：孤獨和老齡化。
給想入手的人幾個實在建議：第一，看延遲，標稱低於 200 毫秒才不像對講機，超過半秒的基本別考慮；第二，看隱私，優先端側處理、能物理關麥的產品，含糊其辭的直接 PASS；第三，警惕「情感即服務」的訂閱套路——真人感越強，越容易讓人產生依賴，買之前想清楚續費值不值。真人感是賣點，也是紅線：好的陪伴產品讓人更願意跟人說話，而不是把人關進和它的對話裏。