一臺 AI 玩具上市三個月後是被抱着睡還是被塞進儲物箱，看着像內容好不好的問題，實際常常卡在兩個很小的功能上：孩子喊它，它醒不醒；孩子想插話，它停不停。
先說服耗。玩具不可能一直跑完整的語音識別，那樣電池撐不住，音頻也不該整天往雲上送。常見做法是一個極小的喚醒詞檢測模型常駐本地，每秒給環境音打一次分，分數過閾值才交給後面的識別、理解和合成管線。按芯片廠的公開參數，這類離線方案深度休眠可以低到幾十微安，喚醒收音不到 1mA，滿負載命令詞識別 1 到 5mA，兩節幹電池能撐半年——這也是爲什麼中端玩具今年集體往端側走：ESP32-S3 這類帶向量指令的芯片做 ML 加速能快三到五倍，RK2108 自帶 0.5 TOPS 的 NPU，喚醒詞、發音打分、簡單意圖都能在本地跑完。
閾值是最難調的那一檔
喚醒閾值放寬了，電視廣告裏一句發音相近的詞就能把它叫醒；收緊了，孩子隔着兩米輕聲喊它又聽不見。比較穩的做法是兩級：本地小模型先手松一點地響應，再由一個更嚴格、有時放在雲端的二次判定確認，誤喚醒大多在沒被孩子察覺的時候被吞掉。代價是多了一檔延遲，而這個延遲恰恰決定了交互的手感。
公開的實測數據能看出差距。安靜環境（30dB）下，做得好的方案喚醒率能到 99% 上下，響應三百多毫秒；到 65dB 噪聲環境，有的方案會從 98% 直接掉到 61%，而用兒童真實發音數據增強訓練過的模型還能穩住 89%。這裏有個很常見的坑：拿成人標準發音的數據集去微調，結果孩子喊“嘿小熊”總被誤喚醒，因爲訓練集裏根本沒覆蓋兒童高頻失真那一段。想壓誤喚醒，得用兒童自己的錄音重訓，再加麥克風陣列做噪聲抑制。
「不讓插話」比聽不見更致命
打斷是讓孩子能中途叫停並改話題的能力。沒有它，玩具會把整段回答念完才接受下一句，孩子連問三個問題，得到的是三段排隊播放的答案，感覺就是卡。有了它，孩子一開口，玩具立刻停下聽。實現上它比聽起來難：玩具必須分清“這是孩子的聲音”還是“這是我自己的喇叭在放”，需要回聲消除，還要一個足夠快的判斷來停下當前回復。驗貨時有個很直接的辦法——問一個問題，等半秒，在它還沒念完的時候問第二個。真做了打斷的會停下來聽第二句，沒做的會把兩句話排成一前一後答完。
所以挑 AI 玩具時，除了看它接的是哪個大模型，更該問三個數字：正常家庭環境裏每小時誤喚醒大概幾次、打斷默認開不開、喚醒判定在本地還是雲端。前兩個決定孩子願不願意繼續跟它說話，第三個決定孩子的錄音會不會出房間。