戴上这副AI眼镜，外国人的话直接变成眼前的字幕，太夯了！

你好，我是郭震！

这几天看 2026 科大讯飞全球 1024 开发者节的现场画面，讯飞 AI 眼镜的展位让我印象很深。

展馆里人声鼎沸，按理说是翻译设备最难发挥的环境，讯飞 AI 眼镜的展位前却排起了长队，不少人就想在这种环境里试试它到底能不能听清。来自中东、欧洲等地区的媒体和客商轮流上前试戴。

最让我印象深刻的一幕，是央视新闻记者和一位精通六种语言的讯飞语言专家在现场对话：对方刚一开口，翻译字幕就浮现在镜片上。两人全程看着彼此交流，不用低头看屏幕，也不用把手机递来递去。

如下图所示，为1024开发者节的展馆现场：

作为一个天天和AI打交道的人，我更关心的是背后的技术问题：一副看起来和普通眼镜差不多的设备，是怎么在嘈杂的展馆里听清对方、听懂外语，再把结果放到你眼前的？

于是，我把市面上能找到的公开资料仔细拆了一遍，整理成这篇笔记，感兴趣的可以看看。

如下图所示，为讯飞AI眼镜的产品外观：

1 用户为什么需要一副AI眼镜？

先说一个问题：AI眼镜这两年很热，但很多人戴过之后的第一反应是，好像也没什么非用不可的理由。

回头看，2012 年问世的 Google Glass（谷歌眼镜），第一次把数字信息搬进了人的视野。可惜它受困于价格高、续航短，以及摄像头引发的隐私争议，最终没能走进普通人的日常生活。

说到底，那时的眼镜只是一块戴在脸上的小屏幕：能显示信息，却听不懂人话，也看不懂眼前的画面。

但只有能力还不够，用户需要一个具体的、天天都会碰到的痛点。讯飞给出的答案是跨语言沟通。

如下图所示，为展会现场排队试戴讯飞AI眼镜的客商：

我把跨语言沟通拆了一下，现场其实有三重负担：听不清、听不懂、总低头。巧的是，这三重负担，正好对应AI眼镜要过的三道技术关。

如下图所示，一张图看懂三重负担和三道技术关的对应关系：

更难的是，这三道关都要塞进一副约40克的镜框里，重量、功耗、算力处处都要取舍。下面一关一关拆。

2 第一关：听不清，用视觉帮耳朵锁定说话人

很多人以为翻译的核心是翻译模型，其实第一道坎在收音。

展会、会场、街头都很嘈杂，收进来的声音一旦混进别人的说话声和背景噪声，后面的识别和翻译再强也会出错。说白了，拾得准，结果才准。

讯飞AI眼镜在硬件上用的是多麦克风阵列加骨传导：5颗气导麦克风负责收空气中的声音，1颗骨传导麦克风采集佩戴者说话时的骨骼振动。

如下图所示，为讯飞AI眼镜的5+1麦克风阵列：

骨传导这一路很关键。它只对佩戴者自己的声音有反应，系统就能用它把“我说的”和“别人说的”区分开，这在通话和面对面交流时特别有用。

更有意思的是第三路输入：摄像头。

讯飞在面对面翻译场景里加入了唇动识别降噪。摄像头追踪对面说话人的唇部关键点，再和麦克风收到的音频特征一起分析，谁的嘴在动、和哪段声音对得上，就锁定谁。

如下图所示，这是唇动识别降噪的示意：

这里要特别说明：唇动识别降噪不是读唇语，而是用视觉信息辅助拾音，帮助系统在多人交流和嘈杂环境里锁定目标说话者、抑制背景噪声。简单说，就是看谁就翻谁。

如下图所示，这是完整的收音链路，三路信号汇入融合模块，输出干净的目标人声：

一句话总结：让摄像头为耳朵服务，本质上是一次多模态融合。

这一步，正是讯飞把二十多年语音技术积累迁移到眼镜形态上的关键。

3 第二关：听不懂，四种翻译模式是四套技术方案

声音收干净了，下一步是识别和翻译。

讯飞AI眼镜支持122种语言（含方言、口音）翻译，覆盖四种模式：旁听同传、面对面翻译、线上同传和通话翻译，分别对应会议旁听、商务洽谈和旅行交流、远程沟通、跨语言打电话这些场景。

如下图所示，为四大语音翻译模式：

细看会发现一个细节：这四种模式并不是同一套能力换了四个入口，而是针对不同场景分别设计了收音策略。

旁听同传用全向收音，要完整捕获会场语音，长时间连续地边听边译。

面对面翻译用定向收音，只锁定眼前的对话人，还要在两种语言之间来回切换。通话翻译借助骨传导拾取佩戴者自己的声音，译文还可以用提前录好的克隆音色播报。

如下图所示，四种模式的技术差异对比：

另外还有一个很实用的端侧能力：面对面翻译支持离线运行，中文可以和英语、日语、韩语、法语、西班牙语等13种外语离线互译，英语也能和5种外语离线互译。出国旅行时网络不稳定，这一点非常关键。

针对专业场景，眼镜还提供了医疗、金融、法律、外贸等行业翻译模式，以及自定义词库，可以把容易翻错的专有名词提前录进去。

同样是“能翻译”，背后是针对不同场景分别做的收音和识别方案。这正是讯飞多年做翻译机积累下来的工程经验，不是简单接一个翻译接口就能做出来的。

4 第三关：总低头，双目单色和40克是一次工程取舍

听清、听懂之后，还要把结果放到用户眼前。

用手机或翻译机时，人要反复掏出设备、低头看屏幕，对话中的目光交流一次次被打断。跨语言交流本来就费劲，再少了眼神和表情，沟通效果会大打折扣。

讯飞AI眼镜的做法是把翻译字幕直接呈现在镜片上。用户可以一边看译文，一边看对方的表情，信息获取和目光沟通两不耽误。

从技术上看，它采用双目单色显示：用micro LED（微型发光二极管）双光机做光源，再通过全贴合树脂波导把光导到镜片上，用户看到的是浮在视野里的绿色文字。

如下图所示，字幕从光机发出，在镜片里来回反射，最后从镜片中部射进人眼：

如下图所示，为产品的整机结构：

为什么不做彩色？我的理解是，这是一次很清醒的取舍。

全彩显示的光机更复杂，功耗、发热和重量都更难控制。而翻译字幕只需要文字，单色已经足够清晰。把重量和功耗省下来，留给收音、计算和续航。

结果就是整机约40克。据讯飞官方介绍，这是目前同类双目单色显示智能眼镜里最轻的一档，外观也接近普通眼镜，近视用户还可以定制度数镜片。

如下图所示，为客商现场试戴讯飞AI眼镜：

AI硬件最容易犯的错，是什么都想加。讯飞这次的克制反而说明，它很清楚用户是谁、要解决什么问题。

5 技术底座：眼镜是讯飞AI主线离人最近的落点

拆完三道关，再回到1024开发者节的整体技术主线看，会更清楚讯飞为什么要做眼镜。

今年1024，讯飞围绕三个问题展开：大模型怎样兼顾安全和性价比，AI怎样从数字世界走进物理世界，AI怎样从个人提效走向组织提效。

在人机交互上，讯飞的路线是“语音交互—多模交互—具身多模交互”。眼镜正好处在第二阶段，是最贴身的多模交互终端，和智能座舱、机器人共用一套听清、看懂的能力。

如下图所示，眼镜在讯飞技术主线上的位置：

端云一体在眼镜上也有体现：离线翻译在眼镜端完成；拍照翻译、视觉问答这类复杂任务，则把照片交给云端的多模态大模型处理，再把结果送回镜片。

眼镜还能当智能体的入口。通过GlassClaw（眼镜端的智能体调度模式），可以联动Loomy（讯飞的跨端办公智能体），开口交代任务，由电脑在后台执行，比如把会议录音和现场照片整理成图文纪要。

如下图所示，为眼镜、云端和电脑之间的任务分工：

生活服务也接进来了：出门看不懂外文，可以唤醒AI助手“小飞”识别解读；想喝咖啡，说一句话就能完成下单和支付。

如下图所示，为眼镜接入的生活服务场景：

整体来看，讯飞做眼镜不是追一个热门品类，而是把自己在语音、多模态和端云协同上的积累，落到一个离人最近的硬件上。

最后总结一下

如下图所示，一张图看懂讯飞AI眼镜的完整技术链路：

这次拆下来，我最大的感受是：AI眼镜比的不是单项参数，而是能不能在几十克里跑通“听清、听懂、看见”整条链路。

讯飞每一环都有自己的技术积累，又先从跨语言沟通这个刚需切入，这和它在1024上展示的教育、医疗、法律等落地思路一脉相承：先抓刚需，再做规模，让AI的价值在真实使用中被验证。

对于经常出差、开国际会议、和海外客户打交道的人来说，这类眼镜的意义非常直接：交流时不用再低头。