Show HN：Subvocal——无声地与你的电脑对话

HN 的朋友们，大家好！我们是 The Subvocal Company（YC F26）的 Aarush 和 Arnav（https://subvocal.company/）。我们正在打造一款智能眼镜，让你无需说出声就能与电脑对话。你可以不动声色地默念，眼镜会以正常说话的速度将其解码为文字。这是 YC 的 Dave 试用它的视频：https://www.youtube.com/watch?v=9QdX1eObVYI （补充：实际上，你不必动嘴唇，甚至不必张嘴就能使用它！由于射频能够探测口腔内部，系统可以针对“内部言语”进行微调。这并不是你在心里“想”某些词时舌头自动产生的动作，而更像是闭着嘴做出说话的动作。做起来有点奇怪，但经过练习，我们已经能相当熟练地掌握了。） 今年年初，Arnav 和我还在 Georgia Tech 学习计算机科学，对无声语音或传感技术都毫无经验。我们都是 AI 原生开发者，也是 Wispr Flow 的重度用户。让我们困扰的是，在图书馆、办公室或公共场所无法使用这些工具。 2 月，在 Stanford 的 TreeHacks 黑客马拉松上，我们决定做一个我们能想到的、技术上最异想天开的东西。我们读过有关 AlterEgo 的介绍，那是 MIT Media Lab 开发的一套无声语音系统，于是想在 36 小时内复现它。我们做了一个粗糙的原型，把肌电图（EMG）电极贴在我的脸上：https://drive.google.com/file/d/1mwhv5HZMz3UTevdrgwS5O7g2jWV... 我们勉强让它能识别字母，但工作起来很不稳定。它没好到能赢得黑客马拉松，却让我们下定决心全力投入。第一次在没人察觉的情况下输入一句话时，我感受到了这项技术的魔力。 我们很快意识到，EMG（读取肌肉电信号）这条路行不通： - 汗水会导致信号变化 - 存在电气干扰 - 放置位置不一致 - 最重要的是，没人想把电极贴在脸上！！ 于是我们转向射频，做出了你现在看到的这副眼镜。它会发出类似 Bluetooth 的无线电波，穿过你的面部。当电波经过舌头、嘴唇和软腭时，无声说话的动作会对其产生调制。我们用这些数据训练基础模型，将这些扰动解码为文字。 尽管此前已有相关学术研究，但要让它真正工作，仍是一项巨大的工程挑战。首先，我们构建了一套噪声极低的射频传感系统。然后，我们必须合理布置天线，使其电磁场与发音器官尽可能重叠。第一次把它做在眼镜上的尝试彻底失败了，于是我们又回到老办法，把天线贴在脸上：https://drive.google.com/file/d/1ks0dS0eZiTV9EqSFsyB_w5BBjpc... 由于很难每次都以相同角度把天线贴在同一位置，我们做了这个古怪但有效的头戴支架，把它们固定住：https://drive.google.com/file/d/1rhzNFpdDzr7oHk0isFY70dkoV4C... 这办法奏效了，但显然还算不上产品。因此，我们进行了大量仿真，设计能够容纳天线的眼镜。它逐渐演变成现在的设计：天线嵌入镜框内部。 确认能够获取信号后，下一个难关是跨用户泛化。每个人的面部解剖结构都大不相同，因此射频信号模式也存在巨大差异。我们尝试过从算法上寻找变通办法，但最终意识到，唯一有效的手段是大幅扩大预训练数据规模。 于是我们就这么做了。我们在办公室里设置了采集间，付费请人戴着我们的眼镜朗读提示文本，用这些数据预训练模型。这带来了一条漂亮的规模扩展曲线：随着数据集扩大，错误率迅速下降，跨用户表现也变得真正令人信服（如上面的视频所示，Dave 只做了简短的 20 句校准）。 我们总听人说，要从第一性原理出发打造东西，但直到这次才真正理解。我们试过自上而下地解决问题，却彻底失败了。只有把每个组成部分——天线、电子电路、机器学习——拆解到最基本的原理，逐一理解并优化，才让它真正达到了良好的效果。 接下来几个月，我们将继续研发，把眼镜原型变成网站上展示的那款精致产品，并于 2027 年第一季度发货。我们也在扩大数据集，以改善边缘情况的表现。 如果你喜欢语音输入，却讨厌在人群中使用它，我们已经开放首批 500 副眼镜的预订，比最终售价优惠 200 美元。名额正在迅速减少，欢迎前往 https://subvocal.co/preorder 预订！ 评论链接：https://news.ycombinator.com/item?id=50340088 得分：297 评论数：204