无联网能力的设备怎么快速增加 AI 语音交互能力

很多做硬件的同行最近都在琢磨同一件事。手里的产品，血压计也好、电子锁也好、老一代小家电也好，本来没带联网模块，可用户现在就想要能对话。问题卡在一个很现实的地方，设备自己没网，怎么让它听得懂、答得出。

设备没有网络，不代表不能加 AI 语音。在唯创知音的在线语音识别方案里，这件事已经跑通，而且给了两条不同的路，区别只在产品想做到多聪明。

第一条路最省事，不联网，纯本地。

WT2606A 是一颗专为语音交互做的 SoC 芯片，QFN42 4×5mm 的封装，可以直接焊进现有的主控板。它把唤醒、识别、降噪、回声消除、语音播报都集成在片内。本地离线就能完成听到指令、认出意思、念出回复这一串动作，不需要云端，也不需要任何网络。规格书里写得很清楚，端侧识别支持 200 条自定义词条，AEC、ANS、AGC、VAD 一整套音频算法都在芯片里跑。

这套算法管的是同一件事，把麦克风收来的声音收拾干净。AEC 负责消掉设备自己喇叭放出来的回声，不然它会对着自己播的音乐误唤醒。ANS 压的是风扇、空调、电机这类环境噪声，信噪比低了识别率就垮。AGC 把音量拉平，人贴着设备说和隔三米喊，后端收到的幅度都差不多。VAD 判断哪一帧才是人声，平时让芯片休眠，听到人说话才醒、才送识别，功耗和误唤醒率都靠它压。

电子锁就是这么做的。WT2606A负责识别加一颗 2606B 负责驱屏，锁具就能当 AI 管家使，开门报天气、留语音留言、摆个 Q 萌表情，全程不依赖网络。

本地方案有个边界得说清楚。200 条词条以内、回复走预录语音或简单规则，它应付得很稳。你要让它像人一样自由聊天、查知识库、答开放问题，本地就不够了，那得把脑子放到云端。

第二条路更彻底，给设备自己装一张网卡。

WT3000A-M08 是一颗 4G Cat.1 语音模组。它最实用的一点是免配网，开机即用。设备原本没有 WiFi 也不怕，模组自带蜂窝网络，一上电就直连云端大模型，不用用户去进行配网操作用起来更方便。

规格书里的血压计案例走的就是这条路。4G 通信无需配网，老人按一下就开始测，测完直接问"我这血压和上周比咋样"，云端把数据拉出来分析，再用语音念回给他。声纹识别能认出是谁在问，声音克隆还能把家人的声音存进机器里。这些体验本地芯片给不了，必须靠云端算力。

两条路接到老设备上的方式其实一样。

规格书里写得很直白，"面向无网络通信能力的产品，通过集成第三方 MCU/SOC，快速打通语音交互控制链路"。翻译成人话，两颗芯片都通过 UART 串口对接你现有的主控，硬件改动很小，软件有现成的通信协议和 SDK，厂商不用自己从头写语音算法。

这也解释了方案为什么叫 1+1 架构。本地一侧负责把声音收干净、把唤醒词认出来，云端一侧负责听懂语义、生成回答。两边分工，弱网的时候本地先顶着，网络顺了云端接着聊，多轮对话才稳。

那到底选哪条路。

我的判断很直接。产品指令固定、本来就不想养流量费、只想让用户动口不动手，WT2606A 本地方案就够了，成本和功耗都压得低。产品要做健康问答、知识库、陪聊这类吃大模型的能力，就上 M08 的 4G 模组，它把最劝退的让客户连 WiFi 这一步直接删掉了。两条路都不用把老产品推倒重来，焊一颗芯片或者插一个模组，它就会听会说了。