声音如何记住一个人：Hojo与语音智能体的全场景落地之路

黑胶带测试之后，问题从未消失

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。体验者看不见界面，也不能触碰屏幕，只能靠说话完成全部车内操作——导航、调温、播放音乐、控制车窗……所有任务最终跑通。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。” 那场测试带着产品经理式的执拗，也悄然揭开了一个更本质的命题：当视觉退场，机器靠什么理解人？又如何预判、承接、延续人的下一步需求？

大模型没有终结语音，而是把它推回中心

多年过去，技术浪潮几经更迭。车载语音早已走出“唤醒-识别-执行”的初级阶段，开始理解语义、接受打断、调用工具、生成反馈。AI正从聊天框向现实世界伸展——不是作为插件，而是作为持续在线、跨设备、有记忆的智能体。 2025年，OpenAI收购io团队；Amazon与Meta相继整合环境式AI与可穿戴技术公司。巨头争抢硬件入口，核心诉求清晰而一致：获取真实世界的上下文，建立全场景、不间断的人机连接。 赵恒艺说：“AI与人的连接，本就该覆盖全场景。”人从车里走进办公室，再回到家中，设备不断切换，但同一个智能体应当认出他、延续对话、调用当前设备能力。而在这条连续性链路中，声音——看不见、摸不着，却始终伴随移动、携带情绪、承载迟疑与确信——成为最自然、最富信息量的交互核心。

两个十年老兵，在Hojo汇合

2024年底，Hojo成立。创始人赵恒艺与联合创始人苏丹，一位深耕产品、硬件与供应链近十年，一位扎根模型、声学与工程同样十年。他们在语音行业相识近十载，却从未真正共事；直到大模型时代到来，技术路径收束、能力边界重定义，两人终于在同一坐标点交汇。 赵恒艺的职业轨迹，是一条语音从功能走向人格的演进线：在思必驰搭建DUI平台，在小鹏将语音装进汽车与机器人，在蔚来见证NOMI如何让用户产生情感依赖。他笃信语音不只是输入通道——停顿、重音、语速变化、语气起伏，这些无法被文字完整转译的信号，恰恰是意图与状态的关键线索。 苏丹的技术履历，则是一部语音能力的进化简史：从北大博士期间的语音识别研究，到百度推动手机近场识别落地，再到滴滴与腾讯AI Lab主导远场拾音、多模态交互与语音大模型研发。他亲历了语音从孤立模块，到被大模型重新统合为“智能体呼吸系统”的全过程。 两人创业的起点很朴素：让AI离开聊天框之后，怎样真正进入硬件，并在那里持续理解一个人？

不做通用模型，只做“进得去、稳得住、记得住”的语音栈

Hojo不训练千亿级通用大模型，也不卖单点ASR或TTS API。它选择了一条更重、更垂直的路径：面向智能硬件，构建可量产、可部署、可演进的AI Stack。 这条栈自下而上分为三层： 底层是自研语音及全模态模型——包括高鲁棒性ASR、小尺寸TTS（Hojo-TTS-Light-40M仅4000万参数）、原生全双工语音情感对话模型（首音响应进入100毫秒级）。三条模型线共享数据清洗、训练框架与评测体系，彼此反哺，形成闭环。 中间层是Agentic OS：统一调度设备能力、模型服务与外部工具；Memory Engine负责长期记忆的沉淀、检索与调用；Device Access抽象不同硬件的接入差异，屏蔽芯片、固件、声学结构带来的碎片化。 最上层面向用户：Hojo App承载核心体验，同时提供SDK与正在开发的App Studio白盒定制平台。品牌方可在配置层定义功能、界面与模型行为，由AI自动生成配套App，大幅降低接入门槛。

不追万物互联，只挑“最重的声音”

Hojo主动收缩战场。它不入场智能家居——对空调说“调到26度”，本质是一次性开关操作，价值密度低；也不押注AI玩具——生命周期短、付费意愿弱，服务成本无法摊薄。 它锚定的是高信息密度、强工作属性、需长期记忆的场景：会议、访谈、知识型协作、专业咨询。一场两小时的律师会谈，产生的待办、承诺、责任归属与项目关联，远超百次家电控制指令的总和。 在这里，录音只是起点。Hojo App正重点打磨两类能力：一是会议级多人语音识别、精准角色分离、语义摘要与行动项提取；二是在用户授权下，管理跨设备always-on输入所形成的个人上下文——今天用录音笔记下的客户异议，明天用耳机追问进展时，系统能自动关联同一份记忆，而非开启新对话。 为支撑这一能力，Hojo计划于8月下旬开源底层Memory技术，将记忆沉淀、检索与调用能力开放给硬件伙伴与开发者。

从一家标杆客户，走向千万台设备

Hojo没有急于铺开客户数量，而是先聚焦汽车座舱——这个近乎苛刻的语音高压实验室：多人混响、风噪胎噪、弱网环境、毫秒级延迟要求。在此验证能力后，再将声学增强、端云协同、量产交付等经验，迁移至耳机、录音笔、随身记录仪等消费电子品类。 目前，Hojo已与12家硬件品牌深度对接，5家完成签约，年度设备规划超500万台，预计2026年Q4启动产能爬坡。下一目标明确：2027年接入至少1000万台设备。 它放弃智能手机市场——头部厂商掌控操作系统、账户体系与用户上下文，AI能力高度内化。Hojo选择的是更分散、更开放的战场：全球耳戴设备年出货量预计达4.076亿台，智能眼镜突破千万级，大量品牌擅长设计与渠道，却缺乏从模型到订阅的全栈能力。

定制不是终点，而是平台化的起点

硬件落地真正的挑战不在首发，而在量产后的持续交付。每家客户的麦克风阵列、SoC算力、功耗约束、方言口音、专业术语都不同，若陷入逐个项目定制，初创团队很快会被拆散、耗尽。 Hojo的答案是“Harness架构+生成式AI”。App Studio将共性能力沉淀为可配置模块：声学前端、记忆引擎、订阅计费、多端同步……品牌方只需定义Manifest配置文件，AI即可生成适配App。定制工作从人力密集型，转向技术复用型。 合作模式亦为2B2C：一类SDK白盒交付，用户关系与订阅归属品牌；另一类接入Hojo App，共享C端服务体系。双方收益绑定于用户活跃度与续费率——客户经营越好，Hojo越受益。 更重要的是，Hojo为设备生命周期提供三层兜底：模型轻量化压缩、端云动态协同、多供应商路由与缓存。旧硬件无法无限升级，但可通过模组替换或兼容设计平滑过渡，让能力更新不等于整机淘汰。

当黑胶带被撕下，新的问题才刚刚开始

多年前那条封住屏幕的黑胶带，检验的是语音能否独立完成一次任务；今天，Hojo面对的问题已截然不同：声音能否跨过设备、品牌与时间，记住一个人，并在数年的硬件生命周期里，持续为他服务？ 这不是技术炫技，而是一场关于信任、连续性与真实价值的重建。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——只是这一次，它要听得更稳、想得更久、记得更深。