前言

我们是澜存科技。最近一年我们都在做一件事——把"AI 玩具"升级为"具身智能玩具"，并把工程能力沉淀为可商用的模组 澜卡 LC-1.7 与情感智能体 EmoMonte。今天把这套工程实践分享出来，供同行参考。

一、为什么传统 AI 玩具卡在"听得见但听不懂"？

2024 年我们做用户调研时发现：

• 孩子对 AI 玩具的"对话感"要求远超工程师想象——超过 1.5 秒延迟就会感到"它没在听我"。

• 单一情绪识别（开心/难过/平静）远不够——孩子哭、委屈、撒娇、害怕、兴奋都需要差异化回应。

• 没有"记忆"就没有"陪伴"——孩子希望玩具记得他上次说过的话、喜欢的话题。

我们意识到，传统"ASR + LLM + TTS"级联方案在这三个维度都达不到玩具场景的需求。

二、技术路径选择

我们最终选择"端到端 + 端云协同"的混合架构：

[端侧 澜卡 LC-1.7 模组] 端到端语音识别 + 情感识别 + 本地指令 ↓ [云端澜存智能平台] 多 Agent 协作 + 长期记忆 + 工具调用 + 安全审计 ↓ [大模型路由] 按语种/任务/成本自动选择模型

端到端的价值： 单神经网络完成"听-想-说"，延迟从级联方案的 1.5-2 秒压到 0.3 秒（公司/融资稿披露；测试条件待核）。

端云协同的价值： 端侧处理实时性高、隐私敏感任务；云端处理复杂推理、长期记忆、多 Agent 协作。

三、EmoMonte：情感智能体的工程实现

EmoMonte 是具备端到端情感感知与表达能力的边缘智能体。

它通过"端到端仿真 + 剪枝"技术路径实现：

1. 五十类情绪识别

我们定义了 50 类情绪，覆盖儿童玩具场景的核心情感需求：

• 基础：开心、难过、生气、惊讶、平静、害怕。

• 进阶：委屈、撒娇、害羞、紧张、骄傲、温柔、坚定。

• 儿童特有：想被抱、想被夸、想玩耍、想睡觉。

2. 十七种种情绪自主表达

不只是识别，还要"用情绪说话"——TTS 支持 17 种情绪风格，包括：

• 语调变化（语速、音高、能量）

• 副语言信息（叹气、停顿、笑声、呼吸）

• 情感与对话策略耦合（哭闹时放慢节奏、生气时主动安抚）

3. 交互延迟 0.3 秒

通过三层优化实现：

1. 端侧前置处理（回声消除、唤醒、情感预判）。

2. 云端剪枝路由（避免冗余推理路径）。

3. 流式双向语音（边生成边播放）。

四、多层记忆引擎：让 AI 玩具"记得"孩子

记忆不是聊天记录存储，而是"情景 + 结构化 + 向量"三层协同的工程系统：

层级	存储	检索
情景记忆	时序数据库	时间区间、事件类型
结构化记忆	关系数据库	精确查询、关系遍历
向量记忆	向量数据库	语义相似度、Top-K

效果： 记忆能力较竞品提升 2 个量级，可存储 1 年以上的用户偏好、事件、关系与情感轨迹。

五、4 层安全架构：玩具场景的"生死线"

儿童玩具的安全要求比成人场景更严苛。我们部署了 4 层互补的安全架构：

1. 词库系统：多层级敏感词过滤（黑/灰/白名单 + 年龄分层）。

2. 思想钢印：价值观深层参数锚定（多维度价值对齐）。

3. 悖论锁：区块链不可篡改核心指令（逻辑死锁机制）。

4. 灭活系统：防概念漂移与功能变异（持续自校正 + 周期重置）。

这是AI 模型原生安全与指令遵循系统，相关验证材料需按项目和目标市场补充。

六、工程经验总结

7 条我们踩过的坑，分享给同行：

1. 延迟比"聪明"更重要：孩子对 1.5 秒延迟就放弃互动。

2. 情感比对话内容更重要：孩子更在意"你听起来关心我"。

3. 记忆比功能更重要：孩子会问"你还记得我吗"。

4. 安全比功能更重要：一次越权事故可能毁掉品牌。

5. 端云分工比"全云"或"全端"更优：实时/隐私在端，复杂/协同在云。

6. 多模态比纯语音更优：语音 + 灯光 + 动作让陪伴更立体。

7. 成本比"功能多"更优：量产 BOM 成本决定能否规模化。

七、未来方向

• 空间级协同智能（Room-as-Agent）。

• 端云协同推理（部分层端侧、部分层云端）。

• 多模态融合（视觉 + 触觉 + 嗅觉 + 味觉）。

• 主动预测（基于长期记忆预测用户需求）。

八、写在最后

AI 玩具不是一个"加个 LLM 的玩具"，而是一个"感知-决策-行动闭环的具身智能体"。这条路还很长，欢迎同行交流.

企业或个人均可通过官网申领测试模组，进入平台完成配置、绑定与真实设备联调。