前百川智能聯創的AI音頻賭局：我要造“人”，造AI主播

文｜周鑫雨

訪談整理｜鐘楚笛

編輯｜蘇建勛

上映于2013年的《Her》，是焦可最喜歡的一部電影。

影片中的AI Samantha沒有臉、沒有形象，人們能感知的，只有她溫柔沉靜的聲音。當Samantha說出，“最近你經歷的事情太多了，你失去了一部分的自己”，男主角潸然淚下。

這一幕給了焦可極大觸動：“僅僅聲音，就能讓人產生這么強的情感鏈接。”

后來，在《Her》設定的時間，2025年初，身為百川智能聯合創始人的焦可，選擇離職創業，做了一家AI音頻公司，來福電臺。

△前百川智能聯合創始人、“來福電臺”創始人兼CEO焦可，圖源：受訪者供圖

在他創業的時間點，音頻，是一個充滿爭議的賽道。Google在2023年7月發布的知識庫NotebookLM，能夠將用戶的研究資料，生成10-20分鐘的音頻——這個產品，給AI播客賽道帶來了想象空間。

但想象的另一面，是國內音頻賽道，至今乏善可陳的成績。播客賽道的頭部產品小宇宙，2024年初的月活僅600萬左右，遠不及長視頻平臺。

在融資過程中，焦可同樣面對不少質疑：音頻傳遞信息的效率遠不及視頻，音頻的市場天花板不高。

和我們的交流中，回應同樣的疑問，焦可前后花了30多分鐘，從《Her》《2001：太空漫游》，聊到了小宇宙、豆包。對于他而言，非做音頻不可的理由太多了：

由于生產成本高，國內音頻內容的供給量過少，而用戶每天擁有大量的“耳朵時間”；

如今偏精品化的音頻內容供給，無法滿足不同用戶個性化的音頻需求。

更重要的是，相較于視頻、文字，音頻是人類最自然的交互方式，具有強烈的陪伴屬性。

他告訴我們，讓音頻發揮最大優勢的，就是AI。

一端，語音理解和生成技術，解決供給問題的同時，也能在交互中和用戶建立情感聯系；

另一端，AI開始洞察、理解用戶的喜好。

恰巧，語音是生產信息效率最高的交互方式，用戶能通過語音交互產生足夠多的Long Context（長上下文）。基于過往的Long Context，AI能夠總結用戶偏好，并將符合的音頻內容，推薦給用戶。

△“來福電臺”根據作者的收聽歷史，推薦的商業新聞播客。圖源：作者試用

這套非共識的邏輯，并非所有人都買單。但也吸引了一些投資人，比如紅杉中國創始及執行合伙人沈南鵬。從立項到過會，紅杉前后只花了一周的時間。

2025年下半年，來福又完成了由達晨領投、紅杉中國跟投的第二輪融資。兩輪融資的總金額達到了1000多萬美金。

但做一個AI播客平臺，遠非焦可的初心。他要造“人”，造AI主播。

在互聯網時代，焦可在百度負責過音樂服務產品“MP3搜索”，創業做過ToC金融平臺，還在中東負責過ToG項目——到了AI時代，這名互聯網老兵開始思考：什么是不同于互聯網的產品形態？

他得出的答案是：互聯網時代解決的是連接效率的問題，AI解決的是生產力問題。

所以，工具、平臺，都是互聯網時代的產物，而“人”，才是獨屬AI時代的產品形態。

這也是如今“來福電臺”的運作邏輯。

焦可告訴我們，目前，來福上一共有15位AI中文主播，還有2位英文主播。TA們風格各異，主持不同的頻道，還能記住聽眾的偏好。

“你會和主播們產生連接。就像聽電臺節目，如果主播換人了，你會不太習慣。”為了讓用戶感受到“人”的存在，焦可為來福設計了一個占了大半屏幕的球，跟著AI主播說話的節奏躍動。

△隨著AI主播說話節奏躍動的球。圖源：作者試用

打開來福，用戶能看到喜歡的AI主播，已經制作好自己感興趣的內容，隨時等待被收聽。在這個過程中，用戶也可以隨時打斷節目，提出問題、加入討論，或者尋求情感陪伴。

在焦可看來，這是Samantha的雛形。

△作者對AI主播提問：為什么從科技撤出的資金流向了低估值和紅利股。圖源：作者試用

以下是《智能涌現》和焦可的交流內容，內容經整理編輯：

我做的不是AI播客，而是造“主播”

智能涌現：你怎么定義來福？很多人說這是一款“AI播客”。

焦可：我不認為自己做的是AI播客平臺。

來福現在有15位我們定義的中文AI主播，還有2位英文AI主播，每個“人”的風格都不同。經常有用戶在使用產品的過程中，點名某一位主播。

來福非常強調人的屬性，我們造的其實是“人”，造的是AI主播。

智能涌現：小川（百川智能創始人兼CEO）也說要“造人”。

焦可：我們在這方面有很大的共識。

當年轟轟烈烈的互聯網醫療，最后都沒開花結果，原因在于互聯網革命本質上是生產關系的革命，解決的是效率的問題，不解決生產力的問題。

但中國最大的問題在于，醫生只有440萬，好醫生更少，供給嚴重不足。

23年初，我和小川在他家樓下聊了很多次，他當時就說想做AI醫生。為什么我們信AI醫療？因為AI的本質是生產力革命。用AI造出醫生，就能從根本上解決供給問題。

智能涌現：音頻賽道的問題也是供給問題嗎？

焦可：是。前段時間我看到有人發帖說，人類播客已經這么多了，為什么我還要聽AI播客？其實人做音頻的成本是非常高的，甚至超過視頻制作。

視頻就算主播有口音、周圍環境很嘈雜，你后期可以配字幕，不影響觀看。但音頻只能聽，所以對錄音質量的要求很高。你需要一個錄音棚，再不濟也要配個麥克風。后期剪輯還要剪掉口癖、停頓、重復。

人類生產的音頻量是有限的。比如小宇宙，一年大概有50萬集節目，平均每天1000多集新節目。人類生產的視頻，每天有大幾千萬。都沒有人嫌AI視頻多，為啥覺得AI音頻多？

智能涌現：供給雖然少，但用戶有那么多聽音頻的需求嗎？

焦可：一個人每天都有很多“耳朵時間”，比如上下班通勤、健身跑步、做家務、睡前時間。

德勤發布過一份報告，除去音樂，世界范圍內音頻聽眾大概有16億。而且音頻是高頻剛需，起碼用戶每兩天就要聽。

智能涌現：現在AI應用主流的方向有兩個，一個是工具，一個是平臺。這都不是你想做的產品形態？

焦可：平臺經濟是互聯網的產品形態，工具型產品其實是平臺服務的一部分。比如服務創作者和消費者雙端的平臺，平臺為生產者提供創作工具，工具生產的內容再供給消費者。

現在很多AI產品，看上去還是一個平臺或者工具，很容易落到大廠的射程里。

AI時代真正的產品形態應該是“人”，應該是科學家、醫生、主播，這是互聯網時代不具備的，但AI可以做到的產品形態。

智能涌現：造出來的“人”是什么產品形態？

焦可：《Her》這部電影就是個很好的產品經理，因為它定義了一個產品如何去和用戶交互。

最開始Samantha和男主的交互，是主動幫他處理了郵件。后續他們建立感情，不是通過男主的主動chat，而是一起玩游戲、搭積木。大家一起做成一件事，才是真正的陪伴。

很多AI陪伴產品，非常大的問題是重度依賴用戶的主動輸入。你要不停和AI講話，但絕大多數用戶沒有這么多話可以講。所以最后留下來的用戶是少數有表達欲的人。

智能涌現：為什么你“造人”切入的是音頻賽道？

焦可：音頻有視頻不具備的價值，就是溝通性，這本來就是人類最自然的溝通方式。音頻還很容易觸發情感屬性，以前有情感熱線的都是電臺，但沒有電視臺。

電影《Her》對這波AI創業的影響還蠻大的。GPT-4o中使用的聲音，就來自片中的AI“Samantha”。很多人沒意識到，從頭至尾，Samantha沒有形象，只有聲音。

所以聲音是很重要的，音頻有很強的陪伴屬性。目前圖像、視頻、機器人，還沒有跨過恐怖谷效益，但音頻可以。這是我們做音頻的重要原因。

而且音頻是非打擾、非獨占式的。你看半個小時視頻是蠻累的，因為所有的感官，你的眼睛、你的手、你的耳朵都被占著。但音頻就還好。

未來兩年，我相信大家會越來越懶得掏出手機，點擊上面的App去社交或者檢索信息。既然機器開始聽得懂人話，未來我們交互的界面就可能成為語音。

智能涌現：你是怎么設計來福的功能的？

焦可：來福做的事，就是和《Her》一樣，以提供內容為切口，去和用戶交互。用戶不只能聽節目，還能隨時和AI主播聊。

我們希望營造一種感覺，就是你隨機走進一個房間，里面兩個主播在聊你感興趣的事。你可以坐下安靜聽，也可以隨時參與他們的討論。

在這個過程中，你會和主播們產生連接。就像聽電臺節目，如果主播換人了，你會不太習慣。

來福還可以根據你的需求，或者你的喜好，快速制作音頻內容。比如一些有時效性的內容，人類播客可能需要一周的制作時間。但AI主播不到一小時就可以準備好內容。這是我們看到的機會。

智能涌現：你完整經歷了互聯網周期，現在做AI創業，有哪些思維是要改變的？

焦可：如果你認為AI是一個新的技術周期，那就千萬小心，不要用互聯網的慣性去做事。

我在百川也聊過很多互聯網產品經理。但是大家還是想著怎么做平臺、怎么做雙邊市場、怎么投流。

但網絡效應在AI時代不存在。很多人在AI時代創業，說要做平臺，但平臺是上個互聯網時代的產品形態。互聯網改變的不是生產，而是將交易成本通過生產者和消費者的互聯，打得很低。

所以互聯網大廠走的都是平臺經濟，讓你可以通過在一段時間內大規模投入資金，讓生產和消費兩端同時規模化。

比如滴滴，一端是司機，一端是乘客。如果只有一端，互聯網平臺的經濟模型是無效的。等兩端都起來，互聯網平臺的壁壘就建立了。

但AI是生產力革命。生產力直接生產商品或服務，產生的是單邊市場。2024年一些AI產品的投流證明，單邊市場是沒法靠燒錢起來的，一旦有更好的產品，用戶就容易遷移。

AI是一個新的技術周期，就不要用互聯網的思維做產品，而是要做隔代進化的東西。

相比DAU，我更看重DTU（Daily Talk User）

智能涌現：豆包是大廠產品，也上線了AI播客功能，它的DAU又有斷層的優勢。豆包會把你做的事兒覆蓋掉嗎？

焦可：豆包是工具型產品。

智能涌現：不少用戶同樣在和豆包建立情感聯系。

焦可：我們看比例，大多數用戶仍然把豆包當成搜索工具。

Chatbot是即插即走的，用戶很難產生Long Context。現在來福的用戶日均使用時長已經到了半個小時。

而且你得主動和豆包交互，再等待回應。來福不需要你主動交互，它反過來根據你的需求陪伴你。所以只要你打開來福，你會發現來福已經根據你的興趣，把節目主動制作好了，你不需要額外付出交互成本。

智能涌現：用戶使用時長是你最關心的指標嗎？

焦可：這么說，我更關心DTU，Daily Talk User，也就是每天有多少用戶在講話。

DAU對我們而言不是重要指標。只有用戶的Long Context決定長記憶的量，DAU隨時會走。

智能涌現：那你需要和幾個大App搶奪用戶的注意力和時間。

焦可：是的。這兩年用戶比較容易沉浸在某幾個大App里，獲取新的用戶時間很難。

所以我們現在也在追求高留存，讓用戶在長留存中產生足夠的周均使用時長。

這對創業者來說是個挑戰。所以我們現在也在和一些汽車廠商合作，幫他們做車載個性化AI電臺。

智能涌現：來福會怎么做增長？

焦可：未來我們還是會先面向一二線城市的上班族，從他們的通勤時間切入。這是一個比較確定性的需求。

智能涌現：不只是大廠，國內現在聚焦AI音頻制作的公司不少，來福有所謂的“護城河”嗎？

焦可：大家的定位還是工具。我的觀點是，使用工具的創作者是少數，內容消費者才是大多數。消費者在意的是服務，所以來福提供完整的內容服務。

光有內容供給是不夠的，我們要解決的是分發問題。

AI推薦音頻目前是蠻有門檻的技術。音頻的推薦篩選效率比較低，不像視頻，用戶看了開頭就知道喜不喜歡，但音頻你得聽一兩分鐘才能決定。

所以目前我們自己搭了一套工程體系：

一塊是主播和內容的AI生成管線，一塊是AI音頻的指令交互界面，還有一塊是長記憶的Infra層，因為AI的記憶既會影響生成的內容是否匹配用戶喜好，也會影響推薦分發的準確性。

智能涌現：國內有和你們做同樣事情的公司嗎？

焦可：從目前發布的產品來看，大家做的都是單點的音頻模型，或者創作工具。但把一套服務做完的，只有我們。

智能涌現：小宇宙之類的播客平臺，有內容和用戶基礎，未來他們做AI播客，你怎么競爭？

焦可：不少上個時代的平臺，基本盤是人類生產的內容。這樣的平臺其實不太容易引入AI內容。即便引入，也會打一個“疑似AI生成”的水印，或者盡量降低權重。在我看來，這是一種歧視。

當你的基本盤是人類時，天然就會有一堆人維護原有的創作生態。就像膠片相機廠商，即便掌握技術，也很難轉型成數碼相機，這就是柯達當時發生的事。

智能涌現：這是用戶教育可以解決的問題嗎？

焦可：小宇宙的用戶群和我們不一樣，因為他們貢獻的價值和我們也不一樣。

小宇宙創始人Kyth說，小宇宙是在豐饒時代創造稀缺價值。獨特、深度信息是小宇宙提供的價值，但消費群體只是少數人。

就像長視頻平臺出品的是精品內容，但創造的商業價值遠不及抖音。抖音的核心價值不是短視頻，真正有價值的東西是個性化，每個人都能被提供自己喜歡的內容。

所以來福貢獻的價值也是個性化的播客。每個人打開來福，被推送的內容是不一樣的。AI能把個性化的價值往上發揮到更高的level。

智能涌現：先發優勢對你來說重要嗎？

焦可：我創業這么多年，意識到節奏是最重要的事。我們可以快，但不能急。

如果我們求快，推出一個不solid的解決方案，用戶是很容易被其他新供給搶走的。就像朱嘯虎說的，一旦用戶流失，如果要重新召回，在移動互聯網時代可能要花10倍以上的成本。

智能涌現：之前有創業者提到，C端產品第一天不收錢，之后就再也收不到錢了。你認同這個觀點嗎？

焦可：這得看產品的類型。第一天必須收錢的，叫做“旅游型產品”，就好比你去旅游城市，一沖動在那兒買了房，結果之后根本不會住。

這些產品不是持續性的剛需，所以只能在第一波賺到錢。如果你相信自己做的是有留存的產品，一個越使用、用戶忠誠度越高的產品，為什么要把收費門檻設置在第一天呢？我想和用戶長期發展信任關系。

智能涌現：和用戶長期發展信任關系后，你怎么設計來福的商業模式？

焦可：最容易做的是廣告。AI主播可以用自己的風格去口播。

但其中也有問題。音頻產品很難衡量廣告效果，品牌不知道用戶購買行為，是不是由于聽到音頻的推薦。

長期來看，AI核心的商業模式不是廣告，而是用戶付費。廣告建立在商家和用戶的信息不對稱上。但AI其實在不斷消除信息不對稱。

智能涌現：來福目前面向的是國內市場。為什么你沒有向大多數創業者一樣day 1選擇出海？

焦可：因為國內的音頻需求很大，但供給比較弱。海外音頻的供給挺強的，成熟市場意味著用戶需求已經被較好的滿足。

革命往往發生在邊緣地區。所以從國內開始跑通產品，尤其是推薦，會比較容易。因為推薦體系建立在用戶每天使用、產生context的基礎上。

語音能產生更多用戶上下文

智能涌現：Bet on音頻是行業共識嗎？

焦可：不算。我遇到很多投資人，都覺得音頻的價值比較低，因為上一代音頻公司沒有做太大。

當然上一代音頻產品的用戶量可能不小，但沒有成為大眾應用，核心原因在于它們都是單邊產品，音頻退化成了信息承載工具。如果比信息傳遞效率，音頻相較于視頻，是不占優勢的。

智能涌現：融資過程中你最常被問的問題是什么？

焦可：還是大廠競爭。創業公司如果只做單點功能、單點模型，是非常容易被大廠碾壓的，因為大廠可以在單點功能上投入一整個部門的資源。

但來福做的事，實際上跨了好幾個部門，包括內容、推薦、語音。對大廠而言，打通這么多業務蠻難的。

融資過程中，一些投資人會說音頻不太好做。其實我蠻開心的。當大家都覺得音頻好做，這件事大概率已經成為共識，大廠也會進場。

智能涌現：最早buy in你的投資人是誰？

焦可：最開始，2025年春節前，我和紅杉的吳茗（紅杉中國投資合伙人）聊，她是我在百度的老同事。

她把我推薦給了Neil（沈南鵬，紅杉中國創始及執行合伙人）。Neil聽完之后覺得邏輯很清楚。紅杉很快，一周時間就過完會了。拿到錢我就正式創業了。

智能涌現：你是怎么向Neil解釋自己的創業邏輯的？

焦可：我在百川期間，行業最重要的事叫做“探索人類智慧的上限”，通俗來講，就是造一個愛因斯坦，能不能記住用戶不重要，只要記住物理學定律就行。

但我和小川還有一個共識：在應用側，記憶是很重要的事，AI時代真正的壁壘就是長期記憶。

所以，AI應用的兵家必爭之地是Long Context（長上下文）。用戶產生的上下文是AI記憶的內容，所以有了長上下文，才會有長記憶。

在所有交互中，只有音頻才會產生Long Context和Long Memory。語音是人類最自然的一種溝通方式，語音輸入的速度是文字的4倍，所包含的信息量是文字的兩倍。

未來，AI會解決內容供給，也會利用記憶重塑內容分發，中間的橋梁，就是產生長上下文的音頻。

智能涌現：為什么長記憶對應用很重要？

焦可：上一代的推薦引擎，本質上是根據你的歷史行為，根據關鍵詞，參考跟你相同畫像用戶的行為協同過濾，去猜你可能喜歡什么東西。

但現實中，你給家人朋友推薦飯館、電影，一定不是靠猜的，而是基于多年對他的長期記憶。所以長期記憶對AI應用的價值在于真正記住、懂得一個用戶。

抖音推薦算法的邏輯，在AI時代將會有新變化：一端，AI直接生成內容與服務，供給的數量與質量將再發生幾個數量級的變化；另一端，AI基于對用戶的長記憶理解用戶，從而提供真正屬于個人的個性化服務。

智能涌現：用戶和一個AI主播交互的動力是什么？交互的需求真的存在嗎？

焦可：很多場景都需要語音交互。比如我在開車時聽節目，突然有個問題，我就直接打斷AI主播問他們問題，不需要停車打字去搜索。

有時你也會對某個話題感興趣，比如英特爾和英偉達的對比、去保定的旅游攻略，這些內容人類播客平臺或許沒有供給，但是AI 10秒之內就可以幫你生成定制化的節目。

我們有一個用戶，晚上聽到了一個講原生家庭的節目，有感而發跟主持人聊了很久。還有一個用戶，因為不同意主持人的觀點，跟TA激辯了300多輪。

智能涌現：產品上線后，buy in的投資人比例變高了嗎？

焦可：變高了。剩下的還是用互聯網的邏輯評判語音，覺得我們太貴。

我們不太燒錢，也不想讓股東結構太復雜。所以第二輪融資比較簡單。

智能涌現：創業過程中你焦慮過嗎？

焦可：我個人還好，因為邏輯想清楚了，做就好了。剩下的都是戰術上的問題。創業其實每天十有八九都是壞消息，不過這才叫創業，如果一帆風順，說明你已經在做被別人驗證過的事。

如果真要說有什么急迫的事，就是招人。我出來公開發聲，其實并不是為了To VC，我們剛融完一輪。

我們招人的時候就發現，很多候選人想求安穩，更愿意去大公司，或者當公務員。大家的心氣兒和13、14年那會兒是不太一樣的。

所以我出來發聲，是因為想招人！很急！

歡迎交流！