Sesame AI 的 iOS 新作：一个会听话、能看图的语音伙伴，以及它背后的硬件野心

• 语音优先的自然对话 – 你开口说，AI 聆听并回应，完全不需要打字。
• 聊一聊任何照片 – 上传一张图片（例如手写笔记、穿搭、屏幕截图），就可以和 AI 口头讨论它。
• 带图片结果的搜索卡片 – AI 能在语音回答的同时，调出视觉辅助信息。
• 笔记功能 – 内置功能，方便你随时记下讨论中的要点。
• 文字模式 – 在不方便开口说话时，可以切换回文字输入。
• 深度追问支持 – 如果要求更多细节，AI 会给出更深入的后续回应。
• 实时联网知识 – Sesame 声称构建了快速的搜索与检索系统，让 AI 能获取最新信息，甚至在说话中途接到新数据时，像人类一样即时调整叙述方向 。

使用该应用需要付费订阅 。

支撑这一切的语音模型

Sesame 的核心是它的对话语音模型（Conversational Speech Model，CSM），一个从 2024 年起研发、持续迭代至 2026 年的神经文本转语音系统 。和那些用平淡语调照本宣科的传统 TTS 流程不同，CSM 会处理完整的对话背景——包括最近的对话回合——并直接生成音频，实时融入时机、语气和情绪调节 。

Sesame 公开的研究描述了几个设计重点 ：

• 情商 – 模型能读取和回应情绪语境，动态调整音高和语音调制。
• 对话动态 – 自然的时机、停顿、打断、重音，甚至笑声。
• 情境感知 – 系统会记住最近的对话历史，并据此改变表达方式。
• 一致的个性 – 意在维持一个连贯的形象，而不是像一群轮流的通用声音在说话。

投资者红杉资本（Sequoia Capital）指出，该模型“不仅仅是将大语言模型的输出转成音频，而是直接生成语音，捕捉真实对话的节奏、情感和表现力” 。

这款模型的参数量从 10 亿到 80 亿不等，这个刻意设计是为了让它足够轻量，最终能在消费级和可穿戴硬件上运行 。一个开源版的 10 亿参数模型已在 GitHub 上以 Apache 2.0 许可证发布，模型检查点托管在 Hugging Face 上 。

Sesame 目前基于 CSM 提供了两个具名语音代理：叫 Maya 和 Miles 。

隐私：贴着“隐私优先”标签，但细节有限

Sesame 将应用描述为“隐私优先”，App Store 的文案说，对话只留在你和 Sesame 之间，而且在设计上“安全且私密” 。公司正式的隐私政策最近一次更新于 2026 年 5 月 7 日，解释了其网站、应用和服务（包括虚拟对话代理）如何收集和处理用户数据 。

然而，公开文件没有透露许多隐私意识强的用户所看重的那种精细控制——比如手动删除对话、拒绝将数据用于模型训练、或具体的数据保留时长设置。隐私政策提到了在不再需要个人信息时进行销毁或匿名化的程序，但没有说明具体的时间表，也无用户请求删除的入口细节 。

考虑到语音数据本身就十分敏感且可能含有生物特征信息，随着 Sesame 扩大规模，以及监管机构继续收紧 AI 数据处理的规则，这种信息缺失很可能会招来审视。如果你想了解具体条款，完整的隐私政策可在 sesame.com/privacy 查阅。

硬件赌局：2027 年的智能眼镜

Sesame 的应用本身只是达到目的的手段。公司长远策略的核心，是把它的语音代理嵌入专有的轻量智能眼镜里，供人们全天佩戴，目标是在 2027 年左右推出 。

这个逻辑既有技术面，也有商业面。在技术上，CSM 较小的参数量（10 亿到 80 亿）就是为了在设备端部署而刻意设计的，这意味着眼镜理论上可以在本地运行语音模型，而不是每次都依赖云端来回传输 。在商业上，Sesame 认为同时掌控软件和硬件，可以从同一个用户身上同时获得订阅费与利润率更高的设备销售收入 。

这种“硬件优先”的策略，让 Sesame 能控制完整的用户体验——麦克风行为、唤醒词、延迟、电池续航以及订阅套餐——而不是在第三方的应用生态里和其他人抢饭吃 。创始团队在 Oculus 和 Meta 期间帮助打造了消费级 VR/AR 硬件，这给他们做硬件的野心增添了纯粹的软件创业公司难以具备的可信度 。

公开声明中承诺，眼镜将提供“高品质音频”，并有一个能“与你一起观察世界”的 AI 同伴 。报道中提到会整合眼球追踪和实时对话反馈，但具体技术规格细节仍然很少 。

2.5 亿美元的信心票

2025 年 10 月 21 日，Sesame 完成了 2.5 亿美元的 B 轮融资 。投资方包括红杉资本，它专门发布了一篇详尽的合伙人署名文章，阐述该公司认为“语音优先的 AI 代表着人机交互的根本性转变”这一核心论点 。

这笔资金计划用于推进语音模型、扩大工程团队，以及——最关键的是——加速伴侣型可穿戴硬件的研发 。这轮融资也让 Sesame 的估值推高到了大约 10 亿美元的水平 。

在一个拥挤的语音 AI 市场中，Sesame 的位置在哪里

Sesame 进入的战场里，Apple、Google、Amazon 和 OpenAI 早已拥有安装基数庞大的语音助手。它的差异化路径押注在三点上：

1. 对话质量作为护城河 – Sesame 认为，情绪表现力、自然的韵律和实时的对话动态（打断、笑声、中途改口）能够创造出文字优先的聊天机器人和旧式助手难以匹敌的体验 。
2. 语音优先，不是附带语音 – 不同于 ChatGPT 或 Gemini 那样把语音作为文本模型之上的附加功能，Sesame 把口头对话当成第一位的交互界面 。
3. 硬件整合 – 智能眼镜路线图创造了一个实体的接触点，将 Sesame 与纯软件的 AI 伴侣区分开来。拥有硬件意味着能掌控用户关系，而不只是在手机屏幕上租用一个小图标的位置 。

当然，风险也很真实。资金充裕的巨头完全可以在日后逐步改善语音表现。音频硬件的设计与大规模量产出了名地难，尤其还要轻到能全天佩戴、漂亮到能让消费者接受。而围绕语音数据处理所存在的隐私细节缺失，正好可能在 Sesame 试图建立信任的时候，招致监管和用户的双重反弹。

Sesame 是否能凭借对话的温暖质感与硬件野心，在竞争中切出自己的阵地，仍是一个悬而未决的问题——而 iOS 应用的发布，以及后续智能眼镜的面世，将开始给出答案。