在接入 AI 能力后，耳機(jī)這種日常化的產(chǎn)品，能有多大的想象空間？它不僅能幫你輕松聽懂全球外語和地方方言，還能將語音轉(zhuǎn)化為文字、翻譯成不同語言，甚至自動總結(jié)會議要點(diǎn)、生成思維導(dǎo)圖，適配辦公、學(xué)習(xí)、跨語言交流及日常生活等多類場景，妥妥的人類新型“智能聽覺中樞”！

為了助力開發(fā)者/品牌商快速開發(fā)能聽會說的 AI 音頻類設(shè)備，涂鴉重磅發(fā)布 AI 音頻轉(zhuǎn)錄總結(jié)方案，覆蓋耳機(jī)、錄音設(shè)備、眼鏡、音箱等硬件形態(tài)。通過簡單易用的涂鴉 API，開發(fā)者只需在涂鴉的面板小程序中少量配置，就能實(shí)現(xiàn) App 收聲，并支持語音識別、翻譯、摘要、思維導(dǎo)圖生成等功能；搭配強(qiáng)大的 AI 引擎，開發(fā)者開箱即用，開發(fā)門檻更低。

目前，開發(fā)者可通過涂鴉云接入 DeepSeek、豆包、通義千問、Kimi、元寶等國內(nèi)模型，海外則兼容 ChatGPT、Claude、Gemini 等先進(jìn) AI 大模型。

一、落地應(yīng)用案例

1、AI 耳機(jī)：錄音翻譯大師

涂鴉賦能 AI 耳機(jī)，支持將音頻數(shù)據(jù)傳輸?shù)?App 上，并通過 VAD（語音活動檢測）+ ASR（語音轉(zhuǎn)錄文字）能力，實(shí)時處理數(shù)據(jù)。語音轉(zhuǎn)錄為文字后，就可將識別結(jié)果即時反饋給App。此外，依托 AI 大模型技術(shù)，涂鴉可進(jìn)一步總結(jié)轉(zhuǎn)換后的文字內(nèi)容，并精準(zhǔn)翻譯，通過耳機(jī)語音播報給用戶。這不僅提升了用戶的使用體驗(yàn)，還能夠滿足線上或面對面的多語言交流需求。

2、AI 會議錄音卡片：辦公神助攻

涂鴉賦能AI 會議錄音卡片，不僅是一個錄音工具，更能夠與會議紀(jì)要功能結(jié)合：它支持實(shí)時總結(jié)會議音頻內(nèi)容，并智能生成文字摘要和詳細(xì)的會議紀(jì)要。這一解決方案有效地簡化了會議記錄+總結(jié)過程，高效率推動后續(xù)工作，幫助上班族節(jié)省時間與精力。

二、App 界面功能演示

下方是涂鴉賦能App 界面的展示，連接 AI 音頻設(shè)備后（接下來將以涂鴉賦能 AI 耳機(jī)為例，進(jìn)行具體介紹），即可擁有現(xiàn)場錄音、同聲傳譯和面對面翻譯功能。功能將持續(xù)迭代，敬請期待！

1、音頻實(shí)時轉(zhuǎn)錄成文字

用戶在通話、會議講座或收聽廣播場景下，AI 耳機(jī)都會實(shí)時采集語音。App 接收音頻數(shù)據(jù)后，會及時轉(zhuǎn)寫成文字，非常適合語言學(xué)習(xí)者、聽障人群或需要文字記錄的場景。識別結(jié)果會同步展示在屏幕上，便于查看、復(fù)制與保存。

下面是該功能的動態(tài)示意圖：

2、面對面翻譯

在跨語言交流場景中，兩人都佩戴 AI 耳機(jī)或一人一只耳機(jī)，就可實(shí)現(xiàn)“你說我譯”的雙向語音翻譯功能。語音通過耳機(jī)傳入 App，App 實(shí)時轉(zhuǎn)寫、翻譯并播報結(jié)果，大幅降低語言溝通門檻，適用于出境旅行、商務(wù)接待、跨境會談等多語種場景。

3、會議錄音

在多人會議或訪談場景中，AI 耳機(jī)可用作便捷的拾音設(shè)備，實(shí)時采集多方語音內(nèi)容。App 端實(shí)現(xiàn)同步語音轉(zhuǎn)寫，并可生成完整的會議紀(jì)要和思維導(dǎo)圖，支持后續(xù)查詢、存檔處理，有效提升會議效率與內(nèi)容管理能力。

三、涂鴉 AI 音頻技術(shù)的獨(dú)特之處

涂鴉 AI 音頻開發(fā)方案，由三大核心模塊構(gòu)成，即：設(shè)備端、App 端、云端AI，整體架構(gòu)圖可參考下方示意圖：

1、設(shè)備端

設(shè)備作為音頻輸入輸出的載體，支持通過傳統(tǒng) BT 配對和 Bluetooth LE 的方式連接 App。相比普通藍(lán)牙耳機(jī)，涂鴉賦能 AI Pro 耳機(jī)可以通過特定的 DP 點(diǎn)下發(fā)指令，實(shí)現(xiàn)更豐富的雙向控制，如：

App 與 AI 耳機(jī)能夠雙向傳輸指令、同步狀態(tài)

開始/暫停錄音

控制單耳收音和播放

支持雙耳一對一的同聲翻譯功能（即左右耳可同時播放不同內(nèi)容，兩個人分別佩戴一只耳機(jī)即可實(shí)現(xiàn)同聲翻譯）

（左右耳雙道獨(dú)立運(yùn)行流程圖）

2、App 端

App 主要承擔(dān) AI 音頻的數(shù)據(jù)處理與業(yè)務(wù)邏輯運(yùn)行：

業(yè)務(wù)功能：支持現(xiàn)場錄音、同聲傳譯、面對面翻譯、電話錄音等功能模塊；

音頻處理：本地進(jìn)行 VAD、AEC、ANS、AGC、PLC、振幅處理、轉(zhuǎn)碼、信道管理等技術(shù)處理，能夠讓音質(zhì)的輸出清晰無雜音、更穩(wěn)定，并保持音頻連續(xù)性；

基礎(chǔ)能力：支持 AI 基座協(xié)議、設(shè)備通信協(xié)議、大數(shù)據(jù)通道（藍(lán)牙/Wi-Fi）。

3、云端 AI 能力

涂鴉在云端AI集成了多個模型與能力，包括：

ASR：搭載高精度的語音自動識別，讓 AI 秒懂人類語言，準(zhǔn)確無誤地將音頻中的語音內(nèi)容轉(zhuǎn)寫為文本；

LLM-based MT：支持用大語言模型做翻譯，語境理解能力更強(qiáng)，告別從前死記硬背的機(jī)械式翻譯（涂鴉目前可支持 65+ 地區(qū)語言，并不斷擴(kuò)展中）；

TTS：支持文字轉(zhuǎn)語音，能成熟模仿不同人物的音色，并搭配不同情緒的語氣，讓 AI 發(fā)音更擬人化（用戶可自定義配置音色）；

其他拓展能力：涂鴉還支持語音分離、離線轉(zhuǎn)錄、會議總結(jié)、思維導(dǎo)圖生成等功能。

通過統(tǒng)一協(xié)議協(xié)同處理，端云一體可實(shí)現(xiàn)低延遲、高效率、高智商的 AI 語音服務(wù)。

四、AI 音頻技術(shù)的流程處理

涂鴉 AI 音頻技術(shù)的流程處理，總共分為三個階段：

拾音+3A處理+轉(zhuǎn)碼：即聲音采集與預(yù)處理

VAD+音頻切片：即有效語音檢測與切片處理

ASR+翻譯+TTS：即智能識別、翻譯與語音合成

整體流程圖可參考：

1、拾音+3A處理+轉(zhuǎn)碼

首先，由耳機(jī)或 App 采集原始語音，并降噪、消除回聲后統(tǒng)一加工成 PCM 流后，交給 3A 模塊進(jìn)行預(yù)處理。處理后的音頻會自動保存為 wav 文件，便于進(jìn)行振幅計(jì)算（即計(jì)算聲音強(qiáng)度）；為了后續(xù)高效處理，涂鴉將音頻數(shù)據(jù)分割為 640b/幀的數(shù)據(jù)塊。

2、VAD+音頻切片

涂鴉會對連續(xù) PCM 音頻流進(jìn)行精準(zhǔn)的 VAD 語音識別檢測，并整合出有效的語音片段，智能區(qū)分哪里是人在說話、哪里是靜音或背景噪音。然后按規(guī)則（如 100ms/段）進(jìn)行切片，緩存發(fā)送到待識別的 ASR（語音轉(zhuǎn)換為文本）隊(duì)列。

3、ASR+翻譯+TTS

收到語音片段后，系統(tǒng)會自動發(fā)送到云端完成 ASR 識別

如果用戶開啟了翻譯功能，就會在完成語音轉(zhuǎn)文字后，同步調(diào)用大模型進(jìn)行語言翻譯；

翻譯后的文字，可通過 TTS，合成目標(biāo)語言播放給用戶聽；

最終，所有識別或翻譯結(jié)果，都會通過 AI 基座與業(yè)務(wù)層進(jìn)行通信，并回調(diào)至面板小程序中。