个性化 AI 语言教育——Andrew Hsu 与 Speak

摘要

• Speak 的核心押注——语音和语言模型将在5到10年内达到超人水平——如今已成长为一家 ARR 远超5,000万美元的企业。 Andrew Hsu 表示，“现在已经有80%到90%的技术到位了”，这让公司最初的2016年愿景成为可能：用纯软件打造一名能比真人教师更快帮助学习者达到流利水平的导师。由于模型演进路径始终足够有吸引力，公司在没有转型的情况下熬过了痛苦的4到5年。
• 韩国的产品市场匹配，来自把产品、市场和客户都收窄，而不是把它们做大。 2018年，Speak 放弃免费、多语言内容目录，转向面向单一市场的引导式英语课程并改为收费，意识到“人们不想做选择”。如今 Speak 已是韩国最大的英语应用，约有6%的人口试用过，公司称其在日本和台湾也已走上正轨。
• Hsu 将 Speak 定义为语言学习的“Gen 3”：追求功能性流利，而不是游戏化学习或电子化教材。 学习者反复练习句型和真实场景——比如和 Uber 司机交谈——直到说话变得自发，“几乎就像在健身房训练”。产品的私密环境也消除了在人类面前犯错的心理成本。
• Speak 的技术栈是混合式的，并不依赖单一前沿 API。 其定制流式 ASR 基于大量非母语语音训练，负责对延迟敏感的练习；Whisper 和 LLM 则处理开放式表达、语义反馈与辅导。Hsu 的运营模式是先用产品把模型能力“榨干”，前沿能力进步后再重复这一过程。
• 下一阶段的规模化引擎，是由人类教学法约束、并由持续演进的个体学习者知识图谱驱动的 AI 生成课程。 Speak 希望获得“100倍的内容”、10倍的语言，以及最终100倍的语言对，借助导师和课程编写 agent，同时由人类审核教学大纲和课程。词汇、句型与聚类错误最终应汇总为一个完整的 Speak Score：即便不围绕考试训练，54分与5分之间的方向性差异也足够有意义。
• 实时语音已经近在眼前，但瓶颈在单位经济和交互设计，而非模型的原始智能。 OpenAI 的实时 API 定价更适合替代按小时计费的人工劳动，而不是让消费者连续对话数小时；在 Speak 的规模下，一个错误可能带来“数百万美元”的成本。Hsu 还称，除非把轮次检测纳入其中，否则首段音频延迟只是“虚荣指标”，因为学习者可能在回答中途犹豫10秒。
• Hsu 认为实时翻译更像补充，而非生死威胁；语言则是更广泛学习平台的滩头阵地。 他指出，德语翻译成英语必须等到句末动词出现，认为 Speak 的亚洲用户想要的是直接的人际连接，而不只是一条巴别鱼；但他仍预计 Speak 会将翻译纳入产品。B2B 已开始向沟通、管理和酒店服务技能扩展，支撑了他的更大判断：AI 将重塑学习，尽管“现实世界的惯性极其强大”。

精读

1. Speak 能够存活，是因为最初的模型判断从未改变

• 2011年，19岁的 Hsu 进入第一届 Thiel Fellowship，当时他已经通过加速教育进入研究生阶段。该项目为20岁以下、愿意离开学校追求几乎任何目标的人提供10万美元，这一机会“改变了人生”；项目也让他结识了后来的 Speak 联合创始人，对方加入了第二届。

• 2016年，创始人休假整整一年研究 AI，包括与当时即将完成研究生学业的 Andrej Karpathy 交流。他们的判断异常具体：未来5到10年，语音和语言模型将达到超人水平，因此由“纯软件、纯 AI”构成的语言导师将成为可能。

• 在迎来正确时点之前，时机错得很严重。早期4到5年痛苦不堪，创始人一次次问自己：“我们为什么要做这个？”但他们始终没有转型；公司后来在台北重新播放最初提交给 YC 的申请材料时，里面的论断与 Hsu 今天的说法几乎逐字一致。他如今估计，“现在已经有80%到90%的技术到位了”。

2. 聚焦与高价策略在韩国转化为产品市场匹配

• Speak 最初的“红色应用”提供跨多种语言的免费内容包，让用户自行选择学习内容，结果失败。2018年，团队推倒重来，只服务学习英语的韩国人，设计课程和新的课型，并把学习路径铺设好：“他们打开应用已经要消耗一部分动力……不想再做另一个选择。”

• 放弃免费同样关键。高级订阅价格筛选出了本来就有动力学英语的人，绕开了部分动机问题。没有哪一项改变是银弹；Hsu 将转机归因于3到4年间不断累积的经验教训。

• 韩国并非一开始就注定胜出，团队当时差点选择台湾。这个决定带有一定偶然性。落地之后，首尔的补习班和“挤满教室的摩天大楼”展现出强烈需求。团队的押注是：如果能在一个充斥真人竞品、且人们真正关心流利度的市场胜出，就能建立强大且可迁移的产品市场匹配：“如果我们真的能在这个市场取得进展并赢下来……那我们大概就拥有真正扎实的 PMF。”

• 本地化带来了可信度。Speak 的第一名员工 Sungjae 帮助团队把细节打磨到按钮文案，早期用户得知公司来自美国时都十分震惊。如今 Speak 已是韩国最大的英语应用，约6%的人口试用过，业务 ARR 超过5,000万美元。

3. “Gen 3”语言学习训练的是自动表达，而不是考试知识

• Hsu 将市场分成 Rosetta Stone CD-ROM 代表的“Gen 1”、移动优先的“Gen 2”，以及原生于 AI 的第三代。他认可 Duolingo 的游戏化，但认为它最接近一款有生产力的手游；Speak 的目标则是通过辅导和开放式练习，培养功能性流利。

• Speak 的核心方法并不围绕词汇和语法组织。它先教授句型，再让用户组合、重复这些句型，“几乎就像在健身房训练”，直到说话变得自发。角色扮演强调与 Uber 司机交谈之类的场景，而不是回忆教材规则。

• “魔法入门”希望用户一开始就感知这一新品类：导师询问学习目标，随后由另一个 LLM 将回答转化为抽象摘要，而不是展示完整转录。结果仍未定型——从安装到注册的转化率更低，因为开口说话比点击更难；但试用启动率更高。Hsu 明确表示：“我们还不知道。”

4. 定制 ASR 与前沿模型分处不同的延迟区间

• 在 LLM 出现之前，Speak 就构建了定制语音识别模型，并从日常课程中积累了大量非母语英语音频。这套系统依然有价值，因为核心录音环节必须快速流式处理；公司利用自身数据微调模型、理解自己的用户，而不是把通用转录当作终点。

• Whisper 在2022年的出现跨过了期待已久的门槛。4名员工在闭眼状态下测试一名韩国初学者的音频，所有人都听不懂；Whisper 却正确完成了转录。对 Hsu 而言，这不只是一次改进，而是语音识别达到“超人水平”的直接证据。

• 随后，Whisper 与 GPT-3.5 Turbo 让 Speak 超越了听说跟读。产品可以理解自发回答、解释错误，并指出母语者会选择不同的词或表达方式。在此之前，更简单的 Speak 产品已经在韩国做到数百万美元 ARR；这些模型则把补充式口语练习变成了更完整的导师。

• Hsu 不接受“更好的基础模型让 Speak 早期工作失去意义”的说法。定制 ASR 仍服务于快速、受约束的交互；前沿模型则处理语义和开放式表达。路线图纪律是：先把产品做到能够“榨干模型能力”，下一次能力跃迁后再重新构建。

5. AI 生成课程是杠杆化尝试，而不是无人参与的流水线

• Speak 内部的“Speak method”、教师、脚本和制作工具带来了沉重的运营负担。如今扩张需要“100倍的内容”、10倍的语言，以及最终100倍的母语到目标语言组合，远远超出其洛杉矶工作室和手工写作流程的供给能力。

• 公司正在构建导师 agent、课程编写 agent，以及基于大型 LLM 的流水线，用于搭建课程框架和撰写课程。Hsu 谨慎使用“agent”一词，但目标很明确：在进入更多语言和市场的同时，保持组织规模小巧。

• 评估仍是最难的部分。即便是向一名新的人类作者解释，为什么某一节略有不同的课程比另一节更符合 Speak method，也很难说清楚。Speak 高度依赖内容团队，正在开发由模型评分的评估体系，未来或许会基于内部数据对课程 agent 做强化微调；Hsu 称这项工作“还处在相当早期”。

• 主持人将其描述为工作转型，而非简单消除岗位：一个人不再独立编写2门课程，而是可能审核机器生成的50门课程。Hsu 认同这种杠杆化判断——人类仍会审核教学大纲、课程以及具体句子，但同一支团队最终应能推出“100倍的课程”。

6. 流利度是崎岖、多维且扎根于真实任务的能力

• Hsu 举的核心例子非常务实：学习者能否去墨西哥城，在街边塔可摊点单？具备这项能力，并不意味着他能谈论家庭，因此“流利度的前沿非常崎岖”。Speak 因而将语言能力建模为多个子分数，而不是一条均匀向上的单一阶梯。

• Speak 正在开发领域专用知识图谱，用来组织学习者长期积累的词汇、句型和错误集群。这些维度最终应汇总为 Speak Score：Hsu 承认，54分单独看意义不大，但它与5分之间的差距是直观可感的，也能对应学习者实际可以完成的具体事情。

• 主持人质疑 Speak 没有对齐任何公认考试目标。Hsu 的回答是，Speak 不“围绕考试教学”；未来可能提供备考服务，但当前优化目标是现实世界的熟练度。从 A0 到 B1，学习者共享一套相对线性的概念骨架；到了中高级阶段，路径会明显分化，知识图谱则会围绕个人弱项调整这套基础。

• Speak 教授的是日常语言，而不是“教材英语”，但当前规模迫使产品采用诸如标准美式英语这样的务实默认值。眼下每种语言都选择一个标准，Hsu 预计未来会出现区分更明确的口音和方言。发音的重要性低于表达想法：用户应该“真的动嘴……发出这些声音”。一款仅支持英语的教练目前基于 Speak 的音素数据、使用 wav2vec 微调，负责给单词评分，后续计划扩展到句子和更多语言。

7. 实时语音受制于代码切换、轮次检测和成本

• 真正的语言导师必须支持代码切换：学习西班牙语的英语使用者，即使在同一句话中，也应能自然地在两种语言之间切换。能够正确发出这种混合语音的 TTS 模型很少。主持人建议根据检测到的语言进行路由，但 Hsu 指出，子词级切换会让简单路由和拼接失效，因为生成结果听起来不再像人声。

• Speak 很早就获得了 OpenAI 实时 API 的访问权限，但 Hsu 澄清说，它当时还没有进入生产环境。这样的定价更适合替代按小时计费的客服 agent，而不是让消费者练习数小时。Speak 已经接近目标，但定制 WebRTC 基础设施加上业务规模意味着，架构上的错误“将让我们付出数百万美元”。

• 首个应用是一个3到5分钟的教学课程，在听或观看内容与短时互动对话之间交替切换。课程采取半引导式设计，Speak 构建了脚手架，以便在这些模式间稳定切换；它的定位是增强现有教师视频，而不是立即替代每一节课。

• 按传统方式衡量的请求到首段音频时间，用 Hsu 的话说，“其实是一个虚荣指标”。真正有意义的区间始于学习者停止说话之后，而轮次检测可能额外增加1秒甚至更久。语义 VAD 适合流利对话，却无法应对学习者在句中停顿10秒的情况，因此定制轮次检测成为影响感知延迟的主导问题。

8. 语言是更广泛 AI 学习公司的滩头阵地

• Speak 如今已在另外40个国家教授英语，西班牙语和法语版本已经上线，并计划在当年推出数种新增语言。B2B 业务大约在一年前作为副项目启动，随后“突然开始奏效”；Hsu 预计它会与仍以消费者业务为主的公司一起，逐渐变得有意义。

• Hsu 认为翻译威胁在技术和情感上都不完整。德语句末的动词意味着英语翻译在整句到达前无法推进，因此他认为翻译永远不可能“真正、真正完美”。更重要的是，亚洲用户想要自我提升和直接连接：“他们希望能够看着你的眼睛说英语。”不过 Hsu 仍预计 Speak 最终会把翻译纳入学习体验。

• Speak for Business 未来或许可以通过 Mac 应用或浏览器集成接入工作文档，但 Hsu 称这“会带来一大堆麻烦”。当主持人提醒员工可能不愿使用一款暗中评估管理技能的语言工具时，Hsu 立即承认，这些产品应该分开。

• 更长远的路径将从语言延伸到沟通、酒店服务、管理，最终进入数学或生物学等学科。Hsu 的收束判断带有张力：AI “可能是我们迄今创造的最具变革性的技术”，但湾区之外的人们的生活“几乎没有变化”。他的处方是增加应用构建者和规模化消费产品；当 AI 焦虑出现时，他会回到一个可控变量上：“我只关注我们的用户。”