一台 AI 玩具上市三个月后是被抱着睡还是被塞进储物箱，看着像内容好不好的问题，实际常常卡在两个很小的功能上：孩子喊它，它醒不醒；孩子想插话，它停不停。
先说服耗。玩具不可能一直跑完整的语音识别，那样电池撑不住，音频也不该整天往云上送。常见做法是一个极小的唤醒词检测模型常驻本地，每秒给环境音打一次分，分数过阈值才交给后面的识别、理解和合成管线。按芯片厂的公开参数，这类离线方案深度休眠可以低到几十微安，唤醒收音不到 1mA，满负载命令词识别 1 到 5mA，两节干电池能撑半年——这也是为什么中端玩具今年集体往端侧走：ESP32-S3 这类带向量指令的芯片做 ML 加速能快三到五倍，RK2108 自带 0.5 TOPS 的 NPU，唤醒词、发音打分、简单意图都能在本地跑完。
阈值是最难调的那一档
唤醒阈值放宽了，电视广告里一句发音相近的词就能把它叫醒；收紧了，孩子隔着两米轻声喊它又听不见。比较稳的做法是两级：本地小模型先手松一点地响应，再由一个更严格、有时放在云端的二次判定确认，误唤醒大多在没被孩子察觉的时候被吞掉。代价是多了一档延迟，而这个延迟恰恰决定了交互的手感。
公开的实测数据能看出差距。安静环境（30dB）下，做得好的方案唤醒率能到 99% 上下，响应三百多毫秒；到 65dB 噪声环境，有的方案会从 98% 直接掉到 61%，而用儿童真实发音数据增强训练过的模型还能稳住 89%。这里有个很常见的坑：拿成人标准发音的数据集去微调，结果孩子喊“嘿小熊”总被误唤醒，因为训练集里根本没覆盖儿童高频失真那一段。想压误唤醒，得用儿童自己的录音重训，再加麦克风阵列做噪声抑制。
「不让插话」比听不见更致命
打断是让孩子能中途叫停并改话题的能力。没有它，玩具会把整段回答念完才接受下一句，孩子连问三个问题，得到的是三段排队播放的答案，感觉就是卡。有了它，孩子一开口，玩具立刻停下听。实现上它比听起来难：玩具必须分清“这是孩子的声音”还是“这是我自己的喇叭在放”，需要回声消除，还要一个足够快的判断来停下当前回复。验货时有个很直接的办法——问一个问题，等半秒，在它还没念完的时候问第二个。真做了打断的会停下来听第二句，没做的会把两句话排成一前一后答完。
所以挑 AI 玩具时，除了看它接的是哪个大模型，更该问三个数字：正常家庭环境里每小时误唤醒大概几次、打断默认开不开、唤醒判定在本地还是云端。前两个决定孩子愿不愿意继续跟它说话，第三个决定孩子的录音会不会出房间。