Subvocal 推出智能眼镜：默读口型即可向电脑输入文字

大家好，我们是来自 The Subvocal Company（YC F26）的 Aarush 和 Arnav。我们在做一款智能眼镜，让你不用出声就能和电脑说话。你可以不出声、不引人注意地默念词语，眼镜会以正常说话的速度把它们解码成文字。这里是 YC 的 Dave 试用它的视频：https://youtube.com/shorts/-L1Qb5oINK4

今年年初，Arnav 和我在 Georgia Tech 读计算机科学，此前完全没有静默语音或传感方面的经验。我们都是 AI 原生的开发者，也是 Wispr Flow 的重度用户。让我们不爽的是，在图书馆（或办公室）或公共场合没法用这些工具。今年 2 月在 Stanford 的 TreeHacks 上，我们决定做自己能想到的技术上最离谱的东西。我们读到过 MIT Media Lab 出的静默语音系统 AlterEgo，想在 36 小时内复刻它。我们做了个粗糙的原型，把 EMG 电极贴在我脸上：https://drive.google.com/file/d/1mwhv5HZMz3UTevdrgwS5O7g2jWV...

我们以一种非常简陋的方式让它在字母层面勉强能用了。它不足以赢得黑客松，但说服了我们全力投入。第一次在没人察觉的情况下打出一句话时，我感受到了这项技术的魔力。

我们从 Afore Capital 拿到了 pre-seed 融资，全力投入！我们很快意识到 EMG（读取肌肉电信号）行不通：

• 出汗会导致信号变化
• 电气干扰
• 电极位置不稳定
• 最重要的是，没人愿意把电极贴在自己脸上！！

所以我们转向 RF，做出了你现在看到的这副眼镜。它会发射类似蓝牙的无线电波，穿透你的面部。当这些电波经过舌头、嘴唇和软腭时，会因默念动作而被调制。我们基于这些数据训练基础模型，把这些扰动解码成文字。

尽管此前已有学术研究，但要让它真正跑起来仍是个巨大的工程挑战。我们首先搭了一套极低噪声的 RF 传感栈。然后我们必须安排天线的位置，让它们的场与发音器官最大程度重叠。我们第一次在眼镜上的尝试彻底失败，于是又回到老习惯，把天线贴在我们脸上：https://drive.google.com/file/d/1ks0dS0eZiTV9EqSFsyB_w5BBjpc...

由于很难每次都把天线贴在相同的位置和角度，我们做了这个奇怪但有效的头戴装置来固定它们：https://drive.google.com/file/d/1rhzNFpdDzr7oHk0isFY70dkoV4C...

这招管用，但显然还不是产品。于是我们深入做仿真，设计能容纳天线的眼镜。这最终演变成我们现在的设计，天线嵌在镜框里。一旦确认存在信号，下一个难关就是跨用户泛化。每个人的面部解剖结构、进而 RF 信号模式都差异巨大。我们试过算法层面的变通方案，但意识到唯一有效的手段就是大规模扩充预训练数据。

于是我们就这么做了。我们在办公室搭了隔间，付钱请人戴着我们的眼镜朗读提示词，用来预训练模型。这产生了一条漂亮的 scaling 曲线，随着数据集扩大，错误率快速下降，跨用户表现变得真正有说服力（正如你在上面的视频中看到的；Dave 只做了短短 20 句的校准）。

我们一直听人说要从第一性原理出发做事，但在此之前从未真正理解。我们试过自上而下地解决，但彻底失败了。只有当我们把每个组件（天线、电子、ML）拆解到最基础层面去理解和优化时，才让它真正跑得很好。

接下来几个月我们会继续研发，把原型眼镜变成我们网站上的精致产品，并在 2027 年 Q1 发货。我们也在扩大数据集，以提升在边缘情况下的表现。

对于喜欢语音听写但讨厌在别人面前使用的人，我们已开放首批 500 台的预订，最终价格优惠 $200。名额消耗得很快，请到 https://subvocal.co/preorder 预订。