不出声，也能语音输入？这副眼镜能把没说出口的话变成文字

美国时间 10 月 30 日，创业公司 Subvocal 宣布获得由 Afore Capital 和 Y Combinator 投资的 130 万美元融资，并同步在官网开启了首款智能眼镜的预订，早鸟价定在 499 美元，预计 2027 年一季度发货。

这副眼镜不能拍照，也没有彩色屏幕，它只干一件事：当你戴上它、不出声地动嘴「默念」句子时，可以把你的发音动作直接转成文字，输进电脑或手机里，官方宣称输入速度能超过每分钟 200 个英文单词。

这副还处在原型阶段的眼镜之所以引人注意，是因为它碰到了当下用随身 AI 设备时的一个痛点。现在的 AI 眼镜、耳机已经能帮人干不少活，但怎么把任务告诉它，依然是个麻烦事。眼镜上没有键盘，想输入一整段话，基本只能靠语音。Subvocal 联合创始人 Aarush Yadav 自己就有一副 Meta 智能眼镜，但他说自己平时很少用上面的 AI，原因是：「走在外面大声跟眼镜说话，实在太怪了。」

这就引出了一个问题：如果保留说话的动作，却不发出声音，Subvocal 到底想让人怎么输入，又凭什么把这些动作变成文字？

戴在脸上的「键盘」

虽然 Subvocal 长着一副眼镜的样子，但它并不是一台带屏幕、带摄像头的完整 AI 眼镜，目前也没有接入其他品牌的智能眼镜。按照公开的信息，它和这两年程序员常用的电脑语音听写工具 Wispr Flow 很像，只是把收音的麦克风换成了眼镜。

用户戴上眼镜后，在要输入文字的电脑或手机上按住一个触发键，然后不出声地做出说话的动作。眼镜采集到面部动作信号后，会先传给电脑或手机上的配套应用，再送到云端解码成文字，直接落在当前光标停着的位置。也就是说，文字最终输进哪个软件，完全看你的光标停在哪。它可以是聊天框、邮件正文、备忘录，也可以是电脑上正在跑的编程 Agent 输入框。官方也表示发货几个月后会开放 SDK。

第一次戴上这副眼镜前，用户需要先做一步简短的个人校准。在官方放出的演示视频里，YC 合伙人 Dave Lieb 先对着屏幕读了 20 句话，让系统摸清他的发音习惯，随后就开始用无声口型往电脑里输入句子了。而需要摸清发音习惯，就意味着不同语言适配难度不同，首发版本只支持英语。团队表示其他语言要等硬件发货后，再通过软件更新陆续加入，第二个计划支持的是西班牙语。

团队虽然提过未来想在眼镜上加入开放式扬声器、自研的 Agent 工具甚至 AR 显示，但现阶段，它的功能就只有「输入」这一件事。在这项指标上，官方抛出的核心卖点就是开头提到的「每分钟 200 词以上」。普通人敲键盘打字的速度大约是每分钟 40 到 50 词，熟练的程序员能到 70 到 100 词，而人类正常说话的语速在 120 到 200 词之间。如果真能做到每分钟 200 词，意味着你不出声「默念」的速度，已经追上了正常开口说话的上限。

它怎么知道你在「说」什么？

人开口说话时，声带振动发出声音其实是最后一步。在声音出来之前，你的舌头、嘴唇、软腭和下颌，已经配合着摆到了对应的发音位置。

无声发音保留了前面这一整套肌肉和器官动作，只是省掉了声带振动。Subvocal 要捕捉的，就是这些动作。它采用的技术方案叫射频感知（RF Sensing）。按照创始人的解释，眼镜框里嵌着发射和接收天线，工作时会向面部发出类似蓝牙的低功率无线电波。

人的口腔内部有软组织、水和空气，这三种物质的介电常数各不相同。当你不出声地动嘴、动舌头时，电波穿过的介质环境跟着改变，信号的相位和幅度也会随之发生细微偏移。接收端记录下这些信号变化，再交给训练好的模型，把它们还原成对应的文字。

听起来有些玄乎，但其实原理并不复杂。首先，它需要你主动做出发音动作，并不是「意念打字」。官方 FAQ 专门澄清过，这副眼镜不会读取你脑子里一闪而过的念头。如果你只是在心里想事情，嘴巴和舌头没有刻意做出说话的动作，系统就什么也转写不出来。

团队倒是在内部测试一种更隐蔽的「内部语音」用法：完全闭上嘴唇，只靠舌头在口腔里动来发音。不过这种发力方式和正常说话区别非常大，普通人要学会得花不少时间练习，所以首发阶段不会作为主打功能推出。

其次，它和「摄像头拍嘴唇」走的是两条完全不同的技术路线。很多人看到「动嘴不出声」，第一反应是靠摄像头做视觉读唇。Subvocal 团队早期确实试过这条路，还用过开源读唇模型 Auto-AVSR，结果发现词错率降到 17% 左右就再也压不下去了。

卡住他们的是物理层面的信息量上限：英语里大约有 40 个音素，但能从嘴唇表面直接看出来的只有 12 到 15 种。比如发 P 和 B 的时候，嘴唇闭合的样子在镜头里几乎一模一样，不看口腔里面舌头和气流的配合，哪怕后面接上再强的语言模型，近两成的错误率也足够毁掉日常体验。

出于同样的原因，他们也排除了毫米波雷达和 IMU（惯性测量单元）。毫米波穿透不了皮肤组织，打到脸上就被反射回来，看到的还是外部口型，而且空间分辨率太粗；IMU 则只能测出脸部整体的震动，顶多用来分辨几个简单的指令词。只有能穿透脸颊、直接「看」到舌头和软腭动作的低功率射频，采集到的信息量才足够多。

另外，「没有声音」不等于「脸上毫无动作」。官方的说法是，离得很近的人可能会察觉到你嘴部有轻微动作，但在正常交谈距离下基本看不出来。

如果把 Subvocal 和几年前出圈的 AlterEgo 放在一起看，更能看清这类无声输入设备在采集方式上的取舍。2018 年，MIT 媒体实验室发布了无声语音设备 AlterEgo，当时用的是表面肌电（EMG）方案，靠贴在脸颊和下颌上的电极去拾取发音肌肉的微弱生物电信号。在当时的 10 人测试里，受试者先花 15 分钟做个人校准，在数字和算术这类有限词汇任务上做到了约 92% 的准确率。

Subvocal 两位创始人最初其实就是想复刻 AlterEgo，但很快意识到贴面电极没法做成日常消费品：人脸一出汗，肌电信号就会漂移；周围的电器容易带来电磁干扰；每次佩戴时电极贴偏一点，信号就全变了。更何况，没人愿意每天往脸上贴电极片。

把贴皮肤的电极换成嵌在镜框里的射频天线，最大的好处是没有穿戴负担。但代价也随之转移到了算法一侧：每个人的面部骨骼和口腔结构千差万别，射频穿过去产生的信号图案完全不同。团队试过用算法硬修，最后发现唯一管用的办法是堆预训练数据。他们在办公室里搭了几个隔间，花钱请不同的人戴上眼镜朗读提示词，靠扩大数据规模把不同用户的识别错误率往下压。

为什么要做成一副眼镜？

理解了射频感知的原理，就不难理解它为什么被做成了一副眼镜。这类低功率射频信号随着距离增加衰减得很快，发射和接收天线必须离嘴部和鼻腔足够近，而且每次佩戴时的相对角度不能差太多。

团队试过把传感器挪到笔记本电脑屏幕上方，结果距离太远，信号衰减得根本没法用；他们也考虑过做成夹在普通眼镜腿上的小配件，但不同人的镜框形状差异太大，天线位置没法保持一致。相比之下，一副眼镜架在鼻梁和耳朵上，不仅离发音器官近、位置相对固定，而且眼镜本来就是近视人群的必备品，不需要重新适应身上多件设备这件事。

这副眼镜形态，也是两位创始人在几个月里一步步试错试出来的。今年初，Yadav 和另一位创始人 Arnav Kumar 还在佐治亚理工学院读计算机，两人平时都是语音输入工具的重度用户，却一直苦于在图书馆和公共办公室里没法开口。2 月去斯坦福参加 TreeHacks 黑客松时，他们用 36 个小时做了一个往脸上贴肌电电极的粗糙原型，勉强能按字母拼出单词。虽然没在比赛里拿奖，但这个演示帮他们拿到了旧金山风投机构 Afore Capital 的早期支持。

决定放弃肌电、改走射频路线后，他们做出的第一副眼镜原型彻底失败了，收不到可用信号。两人只好退回老办法，用胶带把射频天线直接贴在脸上测；因为每次胶带贴的位置和角度都对不准，他们又做了一个看着颇为怪异的头戴支架把天线固定在脸旁。直到确认这条路能跑通，才靠仿真一点点把天线重新设计进镜框里，并在近期拿到了 YC 和 Afore Capital 的这笔 130 万美元融资。

从理想到现实还有多少距离？

如果顺着射频感知的物理特性往下推，它想做到日常可用还需要解决几个问题。

最先要打问号的是「每分钟 200 词」背后的真实准确率。在无声语音（SSI）领域的学术论文里，无论是 MIT 的 AlterEgo 还是早期的脉冲超宽带（IR-UWB）雷达方案，90% 以上的准确率大多是在数字、算术或几十个固定指令词的「有限词汇表」里测出来的。一旦放开到日常连续说话，由于前后音节之间存在「协同发音」（前一个词的舌位会带偏后一个词的动作），光靠射频信号的相位和幅度变化其实很难把每个音素都拆干净。

Yadav 在回复技术追问时也承认，遇到模糊的发音（比如部分元音），系统很大程度上要靠后端的语言模型根据上下文去「猜」。这套逻辑在说普通长句时很管用，可一旦进到真实场景，比如上下文猜不出来的人名、电话号码、专业术语或者代码变量名，识别准确率就会大打折扣。

连续佩戴时的信号漂移是另一个问题。麦克风远几厘米，收音效果差别不大；但 Subvocal 用的是穿透面部的近场射频，接收端解算的正是电磁波穿过脸颊和口腔路径上的微弱相位偏移。这也解释了为什么团队早期用胶带往脸上贴天线时总是失败。只要天线角度和位置偏一点，穿过的组织厚度变了，信号基准就全乱了。人坐在工位上，低头看手机、抬头看屏幕，或者鼻梁出汗让镜框往下滑了两三毫米，天线与发音器官的重叠场就会移位，这时候识别率还能不能稳定，得打个问号。

另一个限制是它必须联网。受限于眼镜的体积和功耗，Subvocal 没法把模型塞进镜腿本地，只能先通过蓝牙传给手机或电脑，再发到云端解码。创始人透露目前未优化的端到端延迟在 500 毫秒以内，这意味着如果坐在信号时断时续的地铁里，很可能就用不了了。

把信息传上云端还会有隐私问题：虽然不用摄像头避开了图像采集，但你默念的每一句话都要先过一遍公司的服务器。Yadav 的解释是射频只在按键输入时开启，云端数据在硬件隔离环境里加密处理，连团队自己也看不了原始数据，未来也打算做本地模型。但作为一家初创公司，能否真正管住这批数据是个很现实的考验。

它给 AI 眼镜带来了怎样一种输入可能？

不管是乐奇手势戒指、Meta 肌电手环，还是 Subvocal 这种无声输入眼镜，其实都在解同一道题：人机交互怎么才能更便捷？

Subvocal 的思路是把采集发音动作的传感器放进镜框。如果这套方案能做进日常佩戴的眼镜，用户在不方便开口时，就有机会多一种输入文字的办法。

对乐奇、雷鸟、影目这些厂商来说，值不值得做，得看它能省下多少操作。比如开会时想回一句「晚点发你」，如果戴着眼镜就能输入、看一眼确认，再把消息发出去，那确实少掏了一次手机。要是开始输入和改字都还得回到手机上确认，那直接在手机上回可能更快。

至于传感器该放在镜框里，还是做成戒指、手环，得看整套东西怎么配合。真要多花一笔钱、多戴一件设备，我会先问一句：平时有哪些内容，会让我愿意用这副眼镜来输入？