智能音箱的 AI 在哪？唤醒后的三步链路

家里的智能音箱喊一声就能答天气、放歌、设闹钟，很多人好奇它的 AI 到底装在哪：是箱子里塞了个大脑，还是背后另有玄机？拆开看，智能音箱的智能由一条三步链路构成：唤醒词守门、语音识别转文字、云端问答给答案。这篇只讲这条能力链路的构成与衔接，麦克风一直在听什么、语音数据怎么处理，属于隐私范畴的另一个话题，存量文章已有专门讨论（见文末相关一篇），这里不展开。

三步链路的总览

先给全貌。你喊一声「今天适合穿什么」，到音箱开口回答，中间走过三步：第一步唤醒，音箱一直在等一个特定的唤醒词，听到才把接下来的声音认真对待；第二步识别，你的语音被转成文字，机器从这一刻起才开始「看懂」；第三步问答，文字交给模型理解并生成答案，再由音箱念出来。三步像接力：门卫放行、翻译到场、参谋作答，缺任何一环，音箱就只是个带喇叭的盒子。市面上各家音箱的唤醒词、音色各不相同，但链路结构基本一致，差别只在每一环的做工。

第一环：唤醒词这道门

唤醒词是链路的入口，作用是解决「什么时候该认真听」的问题。音箱的麦克风常年开着，但只对唤醒词敏感：待机时它做的是低功耗的本地比对，只在声音里匹配到那几个字的发音特征，才进入正式工作状态，同时亮灯示意你它在听了。这道门有两个常被误解的细节：一是唤醒词为什么不能随意换——识别模型是围绕特定发音训练的，换词要重新训练适配；二是为什么偶尔会误唤醒——发音相近的字词可能触发，电视里的广告语误唤醒音箱就是这类情况的常见例子。误唤醒之后音箱开始认真作答，这是它照章办事：门被敲开了，它就得响应。

第二环：识别与理解的接力

唤醒之后，你说的每句话要过两道加工：先是语音识别，把声音信号转成文字；再是语义理解，弄清这段文字要什么。「明天北京温度多少」识别成文字只是第一步，理解成「查询＋城市＋时间＋天气」这个结构，才能去调数据。口语的难点都集中在这一环：方言口音让识别出错，省略与指代让理解犯难——「那个再来一首」里的「那个」指什么，机器要结合上文猜。识别与理解可以放在设备本地做，也可以放到云端做，两条路线的体验差别另见端侧与云端一篇；链路结构本身不受影响，变的只是每一环在哪台机器上跑。

第三环：云端问答与回应

最后一环是生成答案。文字理解完成后，请求交给问答系统：简单的查天气、放音乐走现成的服务接口，复杂一些的开放式问题则由大模型来组织回答。近两年一个明显的趋势是，云端问答这一环正在换大脑：公开消息里，天猫精灵接入通义千问，也有音箱产品开始集成豆包等大模型，回答质量比早期的模板式回答上了一个台阶——这正是「智能在哪」的答案所在：音箱本体只是入口和喇叭，真正的语言能力大多在云端那台大模型上。答案生成后回流到音箱，经语音合成念出来，三步走完一轮。同样「入口简单、能力在云」的结构，也出现在词典笔（见词典笔一篇）与 AI PC（见AI PC一篇）这类设备上，看懂音箱这台，别的新奇硬件也能照此拆解。

链路视角下的能与不能

用链路的视角回头看音箱的日常表现，很多现象都能对上号。为什么断网时它变笨了——第二、三环常在云端，网断了链路断在中间，只剩本地能做的有限响应；为什么它听不懂复杂长句——识别与理解那一环对口语长句的处理能力有限，说不清楚的问题绕不过去；为什么换个安静环境它又聪明了——唤醒与识别的准确率受噪声影响，链路的前两环发挥好了，后面才有着落。至于「麦克风是不是一直在偷听」这类问题，属于隐私与数据流向的范畴（见麦克风在听什么一篇），本文只负责说清能力从哪来。理解了三步链路，音箱的每种「聪明」与「迟钝」都能在链路上找到对应的一环，用起来也就心里有数。

智能音箱三步链路速查

• 第一环唤醒：本地比对唤醒词，命中才正式工作
• 第二环识别理解：语音转文字，再解析成可执行的结构
• 第三环云端问答：简单走接口，开放问题由大模型作答
• 能力位置：音箱是入口与喇叭，语言能力多在云端模型
• 故障定位：断网、误唤醒、听不清各对应链路不同环节

关于智能音箱AI的常见疑问

• 断网之后音箱还能干什么？：看哪些环节在本地。通常只剩基础闹钟、蓝牙播放与少量本地指令；涉及识别与问答的多数能力在云端，断网即中断，恢复联网后链路自动接回。
• 接入大模型后老音箱会变聪明吗？：部分会。能力在云端时，老设备经固件与云端服务升级也能用上新模型，但内存与算力受限的机型，识别与响应速度可能跟不上新机型。
• 为什么唤醒词只能用固定的几个？：唤醒检测围绕特定发音训练，换词需要重新训练与适配，这是把误唤醒率压低要付的代价——门卫只认熟面孔。