从黑胶带测试到跨设备智能体，两个语音老兵等了十年
AI如何与用户建立全场景连接，
并持续获得聊天框之外的上下文？
多年前，一辆小鹏汽车的中控屏被黑色胶带严严实实地封住。
在那次媒体测试中，体验者看不见界面，也不能触碰屏幕，只能靠说话完成车内操作，测试最终跑通。时任小鹏语音业务负责人的赵恒艺后来回忆： “ 在我们的理解里，屏幕是辅助。关键是怎样通过有效沟通帮助用户真正把事情做完。 ”
那时，车载语音还在努力解决唤醒、识别和固定指令。黑胶带测试带着一点产品经理的执拗，事实上也把一个更长远的问题推到了台前： 当屏幕退到后台，机器靠什么理解人，又怎样接住人的下一步需求？
多年过去，大模型让这道题又浮出了水面。机器开始理解语义、接受打断、调用工具， AI 也沿着聊天框向现实世界伸展。 2025 年， OpenAI 将 Jony Ive 等人创办的 io 团队并入公司； Amazon 和 Meta 随后将环境式 AI 设备公司 Bee 、可穿戴设备公司 Limitless 收入旗下。
这些巨头争夺硬件，背后的目的再清晰不过 —— AI 如何与用户建立全场景连接，并持续获得聊天框之外的上下文？
“AI 与人的连接应该覆盖全场景。 ” 赵恒艺对 36 氪说，人从车里走进办公室，再回到家中，身边的设备不断变化，同一个智能体仍应认出他，延续此前的记忆，并调用眼前设备的能力。
看不见又摸不着的声音，在这个过程中承担起串联的交互核心。它能伴随人移动，输入速度快，还携带迟疑、确信、停顿和情绪。赵恒艺形容，语音 “ 像空气和水一样太自然 ” ，所以长期被低估。
2024 年底成立的 Hojo ，正从这条不起眼的缝隙切入，它把自己定位为面向 智能硬件的 AI Stack 。
创始人兼 CEO 赵恒艺先后在乐视、思必驰、小鹏、蔚来和商汤做过语音平台、机器人、智能座舱与 AgentOS ；联合创始人兼首席科学家苏丹从百度、滴滴做到腾讯 AI Lab ，经历了语音识别从手机近场走向远场拾音、多模态和语音大模型的整个周期。
赵恒艺与苏丹在语音行业认识近十年，前者沿产品、硬件和供应链向前，后者沿模型、声学和工程向下。直到大模型时代的到来，二人的职业轨迹最终在 Hojo 这个路口汇合。
左为赵恒艺，右为苏丹
他们想共同回答一个问题： 让 AI 离开聊天框之后，怎样进入真实硬件，并在那里持续理解一个人？
两个语音老兵
终于在大模型时代会合
赵恒艺做语音已经将近十年。
过去这十年，从移动互联网、 IoT 时代的智能音箱，到汽车智能化，再到当下的大模型，技术浪潮几次更迭，让人惊讶的是，他的职业路线始终没有偏离语音。
在思必驰，他负责 DUI 平台，并在 2018 年开辟会议业务；到了小鹏，他把语音放进汽车和机器人；蔚来 NOMI 又让他看到，用户会对一个有声音、表情和性格的交互对象形成情感黏性。
赵恒艺认为， 语音的价值从来不只在输入速度。迟疑、停顿、确信和情绪都藏在声音里，而这些信息很难被一段整理过的文字完整保留下来。
这种对语音的笃定，源自校园时期的一句话 —— “ 没有声音，再好的戏也出不来 ” 。 他喜欢音乐和 Hi-Fi ，于是放弃视觉方向，进入实验室研究语音与音频。某种程度上，这也奠定了他后来的产品观： AI 进入现实世界，人与机器之间最自然、信息最丰富的沟通方式仍然是语音。
苏丹的职业轨迹，则更接近一部语音技术的缩影。
他是一个典型的大厂技术派。他在北大读博时研究语音识别，进入百度时，智能手机刚把语音搜索和输入法带到真实用户；此后在滴滴和腾讯，他的工作从语音识别延伸到多模态语音交互与语音大模型，重点解决多语种一体化、垂直领域优化，以及流式、全双工体验等问题。
语音识别是深度学习最早实现规模化产业应用的领域之一。如今，大模型又把原本分散的识别、合成和对话能力重新收拢。而这一轮变化，对大厂技术人员的冲击远比预想中来得更猛烈。
事实上，大模型正在改变这些技术派看待组织的方式。
过去分立的技术方向迅速汇合，模型、数据、算力和业务需要重新协同，大公司的资源却很难跟着技术路线同步移动。苏丹希望 “ 在更灵活的组织里调配资源、推进工作 ” ，也希望技术更早接触真实应用。同样待过几个主机厂的赵恒艺，其困扰则是来自组织流程层面，在大公司推进跨部门项目，大量时间耗在解释、协调和争取资源上，一些决策经过几个月才落地。
两人的职业道路早已有过交集，却一直没有真正共事。大模型兴起后，模型、数据、产品与硬件被推向 同一套体系， 两人才形成共同创业的明确共识： 把语音模型、产品体验与硬件工程放进同一家公司，面向智能硬件搭建完整的 AI Stack 。
2024 年底， Hojo 注册成立。创业后的分工也沿着二人擅长的部分展开。赵恒艺更靠近用户、产品、客户和供应链，苏丹负责把需求拆回声学、模型与工程链路。苏丹这样评价赵恒艺的产品直觉： “ 他会先想清楚用户和产品，再反推技术要补哪一块。 ”
这也是两人第一次对外完整解释Hojo这个名字：它来自两位创始人英文名的首字母。团队又为HOJO赋予Holistic Omni Joint Operator的含义，分别代表着全域、全模态、跨设备与交互系统。一个名字就把两人的分工和公司的目标勾连在一起。
正如这场 访谈 中二人的分工一样，赵恒艺更多回答用户、产品、客户和供应链的问题；话题进入声学前端、模型边界或硬件寿命，苏丹便接过来。两人很少铺陈情绪，通常直接把问题拆成技术条件与商业约束。
创业之初，二人便决定同时投入 ASR 、小尺寸 TTS 和原生全双工语音模型。苏丹把这三条路线归因于 “ 产品侧逼出来的需求 ” ：设备需要一套稳定、低延迟且成本可控的模型方案。其中，原生全双工语音情感对话大模型最初由他提出并推动。他认为，下一代语音交互不能停留在 “ 你说完 — 我识别 — 我回答 ” 的轮次里，而要允许用户随时打断，让模型能够边听、边想、边说。
三条模型线也并非彼此孤立。它们共用数据清洗与增广流水线、训练框架和评测体系， ASR 标注与 TTS 合成数据还会反哺全双工训练。苏丹表示， “ 语音流水线 ” 作为一个独立产业正在消失，但语音能力作为智能体的底层器官，只会变得更重要，尤其是在人机对话和内容创作这两个主要方向。
换言之，通用模型能够吸收基础能力，流式改造、垂域适配、大模型轻量化、推理加速等问题仍要在真实设备中解决。记忆、任务执行、 App 和订阅，也不会随着一个 API 接入自动出现。
对一家创业公司而言，同时压上三条模型线是一笔重投入。但苏丹当时的判断是， 通用模型越强，单独售卖 ASR 或 TTS 能力的空间越窄；真正需要 Hojo 掌握的，是与硬件和产品体验强耦合的部分，以及模型进入设备后的漫长距离。
2026 年 6 月， Hojo 开源 Hojo-ASR-V1 ，并在 Hugging Face Open ASR Leaderboard 实测榜单中位列第二，仅次于微软；其小尺寸 Hojo-TTS-Light-40M 只有 4000 万参数，全双工模型的首音响应进入 100 毫秒级。这些指标只覆盖技术链条的一部分，但 Hojo 想解决的，是一段声音进入设备后，能否被稳定理解、转化为行动，并沉淀成下一次交互可调用的记忆。