从黑胶带测试到跨设备智能体，两个语音老兵等了十年

AI如何与用户建立全场景连接，

并持续获得聊天框之外的上下文？

多年前，一辆小鹏汽车的中控屏被黑色胶带严严实实地封住。

在那次媒体测试中，体验者看不见界面，也不能触碰屏幕，只能靠说话完成车内操作，测试最终跑通。时任小鹏语音业务负责人的赵恒艺后来回忆：“在我们的理解里，屏幕是辅助。关键是怎样通过有效沟通帮助用户真正把事情做完。”

那时，车载语音还在努力解决唤醒、识别和固定指令。黑胶带测试带着一点产品经理的执拗，事实上也把一个更长远的问题推到了台前：当屏幕退到后台，机器靠什么理解人，又怎样接住人的下一步需求？

多年过去，大模型让这道题又浮出了水面。机器开始理解语义、接受打断、调用工具，AI也沿着聊天框向现实世界伸展。2025年，OpenAI将Jony Ive等人创办的io团队并入公司；Amazon和Meta随后将环境式AI设备公司Bee、可穿戴设备公司Limitless收入旗下。

这些巨头争夺硬件，背后的目的再清晰不过——AI如何与用户建立全场景连接，并持续获得聊天框之外的上下文？

“AI与人的连接应该覆盖全场景。”赵恒艺对36氪说，人从车里走进办公室，再回到家中，身边的设备不断变化，同一个智能体仍应认出他，延续此前的记忆，并调用眼前设备的能力。

看不见又摸不着的声音，在这个过程中承担起串联的交互核心。它能伴随人移动，输入速度快，还携带迟疑、确信、停顿和情绪。赵恒艺形容，语音“像空气和水一样太自然”，所以长期被低估。

2024年底成立的Hojo，正从这条不起眼的缝隙切入，它把自己定位为面向智能硬件的AI Stack。

创始人兼CEO赵恒艺先后在乐视、思必驰、小鹏、蔚来和商汤做过语音平台、机器人、智能座舱与AgentOS；联合创始人兼首席科学家苏丹从百度、滴滴做到腾讯AI Lab，经历了语音识别从手机近场走向远场拾音、多模态和语音大模型的整个周期。

赵恒艺与苏丹在语音行业认识近十年，前者沿产品、硬件和供应链向前，后者沿模型、声学和工程向下。直到大模型时代的到来，二人的职业轨迹最终在Hojo这个路口汇合。

左为赵恒艺，右为苏丹

他们想共同回答一个问题：让AI离开聊天框之后，怎样进入真实硬件，并在那里持续理解一个人？

两个语音老兵

终于在大模型时代会合

赵恒艺做语音已经将近十年。

过去这十年，从移动互联网、IoT时代的智能音箱，到汽车智能化，再到当下的大模型，技术浪潮几次更迭，让人惊讶的是，他的职业路线始终没有偏离语音。

在思必驰，他负责DUI平台，并在2018年开辟会议业务；到了小鹏，他把语音放进汽车和机器人；蔚来NOMI又让他看到，用户会对一个有声音、表情和性格的交互对象形成情感黏性。

赵恒艺认为，语音的价值从来不只在输入速度。迟疑、停顿、确信和情绪都藏在声音里，而这些信息很难被一段整理过的文字完整保留下来。

这种对语音的笃定，源自校园时期的一句话——“没有声音，再好的戏也出不来”。他喜欢音乐和Hi-Fi，于是放弃视觉方向，进入实验室研究语音与音频。某种程度上，这也奠定了他后来的产品观：AI进入现实世界，人与机器之间最自然、信息最丰富的沟通方式仍然是语音。

苏丹的职业轨迹，则更接近一部语音技术的缩影。

他是一个典型的大厂技术派。他在北大读博时研究语音识别，进入百度时，智能手机刚把语音搜索和输入法带到真实用户；此后在滴滴和腾讯，他的工作从语音识别延伸到多模态语音交互与语音大模型，重点解决多语种一体化、垂直领域优化，以及流式、全双工体验等问题。

语音识别是深度学习最早实现规模化产业应用的领域之一。如今，大模型又把原本分散的识别、合成和对话能力重新收拢。而这一轮变化，对大厂技术人员的冲击远比预想中来得更猛烈。

事实上，大模型正在改变这些技术派看待组织的方式。

过去分立的技术方向迅速汇合，模型、数据、算力和业务需要重新协同，大公司的资源却很难跟着技术路线同步移动。苏丹希望“在更灵活的组织里调配资源、推进工作”，也希望技术更早接触真实应用。同样待过几个主机厂的赵恒艺，其困扰则是来自组织流程层面，在大公司推进跨部门项目，大量时间耗在解释、协调和争取资源上，一些决策经过几个月才落地。

两人的职业道路早已有过交集，却一直没有真正共事。大模型兴起后，模型、数据、产品与硬件被推向同一套体系，两人才形成共同创业的明确共识：把语音模型、产品体验与硬件工程放进同一家公司，面向智能硬件搭建完整的AI Stack。

2024年底，Hojo注册成立。创业后的分工也沿着二人擅长的部分展开。赵恒艺更靠近用户、产品、客户和供应链，苏丹负责把需求拆回声学、模型与工程链路。苏丹这样评价赵恒艺的产品直觉：“他会先想清楚用户和产品，再反推技术要补哪一块。”

这也是两人第一次对外完整解释Hojo这个名字：它来自两位创始人英文名的首字母。团队又为HOJO赋予Holistic Omni Joint Operator的含义，分别代表着全域、全模态、跨设备与交互系统。一个名字就把两人的分工和公司的目标勾连在一起。

正如这场访谈中二人的分工一样，赵恒艺更多回答用户、产品、客户和供应链的问题；话题进入声学前端、模型边界或硬件寿命，苏丹便接过来。两人很少铺陈情绪，通常直接把问题拆成技术条件与商业约束。

创业之初，二人便决定同时投入ASR、小尺寸TTS和原生全双工语音模型。苏丹把这三条路线归因于“产品侧逼出来的需求”：设备需要一套稳定、低延迟且成本可控的模型方案。其中，原生全双工语音情感对话大模型最初由他提出并推动。他认为，下一代语音交互不能停留在“你说完—我识别—我回答”的轮次里，而要允许用户随时打断，让模型能够边听、边想、边说。

三条模型线也并非彼此孤立。它们共用数据清洗与增广流水线、训练框架和评测体系，ASR标注与TTS合成数据还会反哺全双工训练。苏丹表示，“语音流水线”作为一个独立产业正在消失，但语音能力作为智能体的底层器官，只会变得更重要，尤其是在人机对话和内容创作这两个主要方向。

换言之，通用模型能够吸收基础能力，流式改造、垂域适配、大模型轻量化、推理加速等问题仍要在真实设备中解决。记忆、任务执行、App和订阅，也不会随着一个API接入自动出现。

对一家创业公司而言，同时压上三条模型线是一笔重投入。但苏丹当时的判断是，通用模型越强，单独售卖ASR或TTS能力的空间越窄；真正需要Hojo掌握的，是与硬件和产品体验强耦合的部分，以及模型进入设备后的漫长距离。

2026年6月，Hojo开源Hojo-ASR-V1，并在Hugging Face Open ASR Leaderboard实测榜单中位列第二，仅次于微软；其小尺寸Hojo-TTS-Light-40M只有4000万参数，全双工模型的首音响应进入100毫秒级。这些指标只覆盖技术链条的一部分，但Hojo想解决的，是一段声音进入设备后，能否被稳定理解、转化为行动，并沉淀成下一次交互可调用的记忆。

从一辆车

走向更多设备

赵恒艺对跨设备智能体的设想，并非灵光乍现，而是来自几段主机厂经历的持续演进。

小鹏让他第一次认真思考，语音怎样进入物理世界。汽车和机器人都要求系统在屏幕之外理解人，当年黑胶带测试验证的正是语音能否独立完成任务。

在蔚来，NOMI让他看到，用户会对一个带有声音、表情和性格的交互对象建立情感黏性。蔚来当时也在做手机，赵恒艺希望NOMI出现在多个终端上，让用户走到哪里都能继续交互。

但一家主机厂的能力边界，很难延伸至车外的全部生活场景。“如果有机会创办一家公司，就不应该只局限在车内。”赵恒艺回忆，正是在那时，他开始设想将AI与人的连接从座舱延伸至更广阔的生活场景，这个构想后来也成为Hojo成立的起点。

到后来做AgentOS，他把这一路思考进一步推向跨设备：同一个Agent应当知道用户在不同终端上做过什么，也应理解面前这台设备能录音、能播报，还是能显示文字。2024年，Hojo注册成立后，团队没有立刻铺开所有场景，而是先回到最熟悉的汽车座舱，推进首个核心项目。

汽车近似一座语音技术的高压实验室。车内同时存在多人交谈、风噪、胎噪和弱网，系统还要满足低延迟与高稳定性。这样的环境，让两人的能力相互耦合——苏丹长期处理远场语音与复杂声学，熟悉麦克风阵列、前端增强和噪声环境下的鲁棒性；赵恒艺则更熟悉产品定义、客户需求与量产交付。

据Hojo披露，公司已向一家汽车大客户交付部分功能，部分能力已经上车。相较于快速复制更多大客户项目，赵恒艺更愿意先把一家关键客户做成标杆。因为项目铺得太快，工程师会被拆进不同需求，研发力量也会随之被切碎。对于资源有限的初创公司，把一个核心项目做成标杆，比单纯增加合同数量更能检验能力。

赵恒艺早年已经在消费电子领域积累软硬结合经验，汽车项目又进一步强化了复杂声学、弱网、低延迟与量产能力。如今，这些能力被重新迁移到耳机、录音设备和随身硬件。各类设备的声学结构、蓝牙链路、固件与App不同，但远场拾音、低延迟交互、端云协同和量产经验可以复用。

Hojo要攻克的难点就在于，麦克风采集的音频怎样稳定推流到App，用户能否不拿出手机就开始录音，设备在弱网甚至断网时如何降级。赵恒艺表示，接入一个大模型API无法自动解决这些问题。

某种意义上，汽车继续充当高标准验证场，而消费电子则承担规模化的任务。后者的市场更为宽阔。IDC预计，2026年全球耳戴设备出货量将达到4.076亿台，智能眼镜出货量约1360万台，同比增长41.4%。与已经高度集中的智能手机相比，这些品类由更多品牌共同占据。许多厂商擅长工业设计、供应链和渠道，却没有能力独立搭建模型、Agent、App与订阅体系。

手机虽然是规模最大的智能终端，Hojo却选择战略性放弃这个市场。2025年全球智能手机出货量在12亿部以上，头部厂商掌握操作系统入口、账户和用户上下文，核心AI能力大多会留在内部。Hojo主动放弃手机整机生态，把注意力投向品类分散、品牌众多的耳戴、录音和随身设备。

数亿台设备

只挑最“重”的声音

硬件市场可以很宽，但Hojo要做的反而是把场景收窄。

对于场景，赵恒艺反复提到的一个词是“信息密度”。这家公司没有沿着“万物接入AI”的思路扩品类，而是先算两笔账：一次交互传递多少有效信息？用户获得的价值能否覆盖持续推理与服务成本？也就是说，设备形态由品牌和供应链决定，Hojo更关心麦克风最终收进来的是什么，以及这些内容值不值得用户长期付费。

智能家居最先被排除。对空调说“调到26摄氏度”，改变的只是一个开关或数值，手机、遥控器和自动化规则都能完成。“如果只是通过语音完成控制，无法给用户带来很高价值，它本质上是一次性的事。”赵恒艺表示。

汽车也有车控，但在赵恒艺看来，汽车座舱是一个独立的数字空间，音乐、搜索、内容和服务持续产生上下文；驾驶中触屏操作本就不便，使用手机也更困难，语音因而更有机会成为高频交互入口。

AI玩具的问题出在生命周期。孩子可能几个月后便失去兴趣，一次性售价可以覆盖这段使用成本；模型调用、存储与维护却会持续发生。赵恒艺说：“如果产品一次性售出，之后仍要持续提供服务，所有成本都会变成运营成本；用户又不愿意付费，最后就会面对冷冰冰的商业现实。”

这正是许多AI硬件难以摆脱的宿命。硬件收入在出售时确认，云端推理成本却伴随整个生命周期。Humane AI Pin上市不足一年便停止销售，云端服务关闭后，通话、消息和AI查询等核心功能随之失效，暴露出高度依赖云服务的AI硬件，可能面临的生命周期风险。

对缺少其他收入来源的设备，订阅是一种较清晰的成本回收路径。但这一切的前提，是产品能持续提供明确的价值。

AI录音设备公司Plaud提供了一个可以参考的市场样本。该公司在2026年6月披露，其服务超过200万名用户，软件订阅年化经常性收入达到1亿美元。这说明在会议、访谈和知识工作这类高信息密度场景中，硬件可以成为持续服务的入口。用户愿意持续付费，因为录音之后还有转写、检索、摘要、任务拆解和知识沉淀。

Hojo想要锚定的场景正是如此。赵恒艺拿这次访谈举例，一场长对话传递的信息，远高于一次家电控制。律师、咨询顾问、销售、采购和管理者每天产生大量口头信息，记录只是起点；当系统知道谁说了什么、与哪个项目相关、下一步该做什么，声音才开始进入工作流。

为此，Hojo选择把个人智能体进入硬件所需的链路从底层向上做通。

hojo app部分截图

底层是自研语音及全模态模型，覆盖ASR、TTS、全双工交互与声学处理，让设备在真实环境中能够听清、理解并及时回应；再往上是中间层，Agentic OS连接设备、模型与外部工具，Memory Engine负责长期记忆的沉淀与调用，Device Access统一不同硬件的接入和能力调用。

苏丹也谈道，模型提供通用能力之后，产品仍需要大量harness工作；声学、实时交互和场景适配共同决定体验能否稳定。

靠近用户的最上层由Hojo App与品牌方自己的App承接。面向硬件客户，Hojo还提供SDK，以及正在开发的App Studio白盒自助定制工具。从硬件接入、声学调试，到应用上线、订阅与后续运营，这条完整链路构成了Hojo的全栈能力。

目前，Hojo App正全力优化两类能力：一是录音，尤其是会议场景，从多人识别、转写和检索，延伸到决策、承诺与待办的提取；二是在用户授权下，管理耳机、录音设备等硬件always-on输入带来的个人上下文。用户今天用录音设备记下一场会议，明天换到耳机追问项目进展，系统需要调用同一份记忆，而不是把每台设备都当成新的对话起点。

为支撑这层跨设备记忆，Hojo计划于8月下旬开源底层Memory技术，将记忆沉淀、检索和调用能力开放给开发者与硬件品牌。

据Hojo披露，目前公司已与12家硬件品牌和方案方深度对接，其中5家完成签约，客户给出的年度规划合计超过500万台，并预计在2026年第四季度进入产能爬坡。赵恒艺也提出了下一目标——2027年至少接入1000万台设备。这些签约至少表明，部分客户已经愿意把Hojo带进供应链。

跨过定制化陷阱

抵达更远方

设备进入供应链后，另一道现实难题才真正显现：定制。

每一轮硬件入口打开后，真正消耗初创公司的，往往是量产之后的漫长交付。模型和产品可以快速迭代，芯片、固件、声学结构与用户界面却因品牌而异。项目越多，工程团队越容易被拆进客户需求，最终停留在一家人力密集的方案公司。

赵恒艺对定制化的问题并不陌生。2017年，他在思必驰负责DUI平台时便提出“定制规模化”：当团队支持10个项目已经吃力，怎样把承载能力提高到1000个项目。

九年后，生成式AI将这道题再次摆到了他的面前。“本质上，这是ROI问题：怎样既给客户差异化体验，又减少定制对研发资源的耗散，用最小成本解决问题。”赵恒艺说。

但技术现实决定了定制无法彻底消失。苏丹也表示，从模型到任务和场景之间还有很大差距，不同设备的拾音通道、芯片算力与功耗条件各不相同，用户还会带入专业名词、口音和方言。

一套通用模型进入真实硬件后，仍要经过声学增强、领域适配和交互优化。“针对很多具体场景，都需要做大量定制优化。”苏丹说，平台真正需要解决的，是哪些工作可以沉淀为共性能力，哪些仍值得投入工程资源。

Hojo正在把这些共性能力收拢到App Studio，并计划近期对外开放。

按其设想，客户接入设备后，可以在平台上定义功能、模型和品牌界面，由AI生成配套App，再完成测试与发布。一套SDK、一份Manifest配置文件，加上底层Agentic OS，构成每款产品的技术骨架。品牌差异尽量留在配置层，已经完成的声学、记忆和订阅能力则沉淀到底座。

“现在与我们合作的硬件厂商在接入App时非常痛苦，因为它们发现，仅接API并不好用，得到的都是通用内容。”赵恒艺说。App Studio能否成立，要看客户能否在少量支持下独立完成上线，也要看一个项目形成的能力能否被下一家复用。Hojo希望借助Harness架构和生成式AI，把更多定制工作从人力投入转化为技术复用。

用户关系的边界同样重要。Hojo将合作模式定义为2B2C：一类为SDK白盒交付，账号、订阅和用户关系主要由品牌管理；另一类由硬件接入Hojo App，进入Hojo的C端服务体系。

在这种合作模式下，赵恒艺认为，“客户经营得越好，Hojo也会越好；客户赚得越多，我们也会获得更多收入。”品牌卖出设备后仍能持续经营用户，Hojo的收入则随设备活跃和订阅增长。双方最终被同一个目标绑定：用户是否愿意持续使用。

所以，要让这套合作关系持续下去，硬件设备还必须在数年的使用周期里继续获得能力更新。

一件设备通常使用数年，但是如今模型能力与调用成本却按月变化。苏丹将Hojo的兜底机制分为三层：第一层依靠蒸馏、量化和稀疏化，在既有芯片上压入更强的模型；第二层依靠端云动态协同，网络良好、任务较重时调用云端，断网或对低延迟要求较高时由端侧保留基础交互能力；第三层通过多供应商路由、缓存和端侧兜底，应对云端API及调用成本的变化。

谈到旧硬件能否持续获得新能力时，苏丹没有给出“软件可以解决一切”的答案。相反，他坦言，算法仍受物理硬件边界约束，如果一次技术跃迁超出旧硬件的承载能力，Hojo仍需提供下一代模组或升级板，或在新设备中保持兼容，让老用户以较低成本完成迁移。软件可以延长一台设备的能力周期，却无法无限突破既有芯片的算力、内存和功耗上限。

解决设备生命周期问题后，Hojo的规模化还取决于客户在哪里销售设备。这意味着，其出海也将沿着现有硬件供应链推进。

据赵恒艺介绍，现有合作客户的设备销量约九成来自海外。Hojo会先跟随已经建立渠道、合规和售后体系的中国消费电子品牌进入欧美、日韩、新加坡和中国香港，再逐步拓展海外原生品牌。对一家刚开始商业化的公司，这条路径比直接在陌生市场重建渠道更现实。

从更大的Voice AI产业结构看，Hojo押注的是通用模型与数千个独立硬件品牌之间的一层系统。上游模型仍会继续吸收识别、合成与对话能力，头部终端品牌也会自建账户和记忆体系；余下分散而又广阔的硬件市场，仍然需要一套能处理声学工程、跨设备记忆、量产交付和订阅运营的开放技术栈。

AI引发的入口迁移，已经点燃了新一轮的硬件战争。“用户上下文现在只存在于聊天输入框里，这是不合理的。”在赵恒艺看来，大模型公司进入硬件几乎不可避免，更完整的上下文只能从真实生活中获得。巨头会率先定义标杆，数千个独立品牌也不会就此消失。

Hojo想成为独立硬件品牌进入AI时代的一层开放底座：让它们接入模型、记忆和智能体能力，同时保留自己的用户关系与长期经营能力。或许在不久的未来，这些硬件也将迎来属于自己的“安卓时刻”。

多年前，那条封住小鹏中控屏的黑胶带，检验的是语音能否独立完成一次任务。今天，问题已经截然不同：声音能否跨过设备和品牌，记住一个人，并在数年的硬件周期里持续为他服务。

当AI真正离开聊天框，人与机器之间最自然的沟通方式，很可能仍是开口说话。但赵恒艺和苏丹二人在过去十年积累的语音经验，将在这场入口迁移中迎来新的用武之地。