Apple Watch“音频智能”详解：15秒回溯、Siri 摘要与隐私争议

苹果将 Apple Watch 新增的麦克风功能统称为**“音频智能”（Audio Intelligence）**。它面向 Apple Watch Series 12 与 Apple Watch Ultra 4，包含四项功能：声音识别、自动音乐识别、Live Rewind 和 Siri Recap。

最容易理解的区别是：声音识别和音乐识别用于辨认周围发生了什么；Live Rewind 与 Siri Recap 则会把附近说话内容转成文字片段或摘要。 14

四项功能分别能做什么？

Live Rewind：回看刚才15秒说了什么

连续按两下数码表冠（Digital Crown），手表会显示此前 15 秒对话的文字片段，适合漏听一句话时快速确认。苹果将其定义为显示在手表上的转写文本，而不是可播放的录音；如果用户不保存或进一步使用，该片段会在屏幕熄灭后消失。 116

Siri Recap：把对话整理成要点

Siri Recap 会通过环境监听，为对话生成由 Apple Intelligence 制作的标题、摘要和关键点。它并非逐字转录，而更像一份用于帮助回忆的简短笔记，之后可在 Siri App 中查看。未保存或未导出的摘要会在 7 天后自动删除。 19

声音识别：提醒重要环境声

声音识别主要服务于失聪及听障用户，可在配对 iPhone 不在身边时，提醒警报声、警笛、门铃或婴儿哭声等。苹果称，这项检测由设备端智能完成。 4

音乐识别：自动用 Shazam 认歌

自动音乐识别会借助 Shazam 辨认附近播放的音乐，并将歌名和歌手显示在智能叠放（Smart Stack）中。 1

苹果如何解释隐私保护？

苹果称，“音频智能”由 S11 芯片及名为 Secure Exclave 的硬件隔离处理环境支持。用于处理的原始音频无法被 watchOS、App、佩戴者或苹果访问；处理完成后会被删除，不会作为音频文件保留。 116

对于 Live Rewind，苹果称底层音频只存在于一个持续覆盖更新的滚动缓冲区内；用户看到的是15秒文字片段，而非留存的声音文件。苹果还表示，启用 Live Rewind 时会发出提示音，并在屏幕上显示全屏视觉提示。 119

苹果还称，系统不会给说话内容标注具体发言人；Siri Recap 的目标是提供有限的高层摘要，而非完整逐字稿，并会尽可能省略敏感信息。若用户选择保存 Live Rewind 文本或 Siri Recap，其内容会经由 iCloud 进行端到端加密同步。 11618

若实际实现与苹果描述一致，这些机制确实能限制原始音频的访问范围，并降低自动长期留存的可能性。但这并不改变功能本身的前提：手表能够处理附近人的说话内容，并将其转为文字或摘要。

为什么“未保存录音”仍难消除争议？

争议重点不只在于音频是否保存，还在于对话中其他人是否获得充分通知与同意。在手表附近交谈的人，可能不知道 Siri Recap 已在某一时段或地点启用，也可能不知道佩戴者能在话已经说完后调用 Live Rewind。 1720

这也触及美国有关窃听、通信拦截与录音的法律。法律专家认为，这些功能可能考验美国的相关规则，尤其是在要求对话所有参与方同意的司法辖区。某次具体使用是否违法，要看适用地区以及是否通知、是否同意、对话的私密性质和用户是否为对话参与者等具体事实；没有保存音频文件，本身未必足以终结这些法律问题。 172230

简言之，苹果的设计主要回应了数据访问与保存期限问题；批评者提出的则是，对旁人而言，这些技术保障是否等于真正有效的知情同意。两者都不存在放之四海而皆准的简单答案。

何时上线、支持哪些语言和地区、售价多少？

Apple Watch Series 12 起售价为 399 美元，Apple Watch Ultra 4 起售价为 799 美元。苹果表示，两款手表将于 2026 年 9 月 18 日开售。 812

声音识别和音乐识别属于已公布的“音频智能”套件。苹果表示，Live Rewind 与 Siri Recap 将在2026年稍晚以英语测试版形式推出。具体可用性还会受设备、语言和地区限制；发布初期的报道称，Live Rewind 将不会在欧盟提供。现有引述材料中，苹果尚未公布完整的逐国上线名单。 138

结论：便利与边界，要一起衡量

“音频智能”为 Apple Watch 带来两种新的信息回顾方式：把刚才15秒内容转为文字，以及生成对话摘要；同时还有重要环境声提醒和 Shazam 识曲功能。

苹果的隐私方案强调硬件隔离、原始音频处理后删除、较短的文本留存周期，以及对用户主动保存内容进行加密同步。 116 不过，这类功能也把环境式 AI 进一步带入面对面交流。对潜在买家而言，关键不只是苹果是否保存录音，更是自己是否愿意使用一项能处理他人说话内容的功能，以及能否在实际场景中做到清楚告知并取得适当同意。