产品形态：微信小程序 + Web 的实时语音一对一 AI 对话，首发场景为英语口语陪练。

核心链路：用户对着麦克风说话，AI 秒级听到、秒级开口回答，全程像真人对话一样自然，可以随时打断。

实时语音能力由自建服务承接，不使用微信自带的同声传译组件。

一、产品定位

一个长在语音里的私人外教。打开就能开口练，练得越多，它越了解你。

对标的是“打电话给真人外教”的体验，不是“点一下按钮、等三秒、听一段合成音”的传统语音助手。用户张嘴就能说，说到一半改主意，可以直接打断 AI 重新说。这条是整个产品体验的底线，任何功能迭代都不能破坏它。

首发场景是英语口语陪练。教练体系按场景展开：

后续场景复用同一套架构，只是教练的提示词和教学策略不同。

目标用户：有一定英语基础、缺真实开口机会的成年学习者，以及嫌约真人外教贵、嫌录播课没有互动的人。

核心价值有四条：

• 随时随地，打开就能练，没有约课成本
• 打断、改口、抢话都自然，像真人对话
• AI 记得住你，上次总犯的错这次还会盯着你
• 比真人外教便宜一个数量级

二、核心体验标准

实时语音产品的体验是毫秒堆出来的。给 MVP 定四条硬指标，达不到就不上线：

体验红线：不允许 AI 声音和用户声音同时存在超过 1 秒。

一次语音往返的延迟预算，各段加起来等于 1.5 秒的总目标（具体分配可在摸底测试后调整）：

  flowchart LR
    A[用户说完话] -->|上行音频<br>≤ 0.3s| B[语音服务转发]
    B -->|AI 处理<br>≤ 0.7s| C[生成首包音频]
    C -->|下行音频<br>≤ 0.3s| D[客户端缓冲]
    D -->|播放出声<br>≤ 0.2s| E[教练开口]
  

三、用户旅程

3.1 首次使用

1. 用户进入小程序，微信授权登录，复用现有账号体系
2. 选择场景（MVP 只有通用陪练），音色先用默认款
3. 首次弹窗请求麦克风权限。这里给一个“为什么需要麦克风”的解释页，拒绝率会明显降低
4. 进入对话页，看到教练形象和声浪动画
5. 按住说话，或者直接开口（推荐直接开口）
6. 第一次对话完成后，展示本次练习报告：聊了多久、开口次数、被纠正的表达

  flowchart TD
    A[进入小程序] --> B[微信授权登录]
    B --> C[选择场景]
    C --> D{授权麦克风}
    D -->|同意| E[进入对话页]
    D -->|拒绝| F[引导去设置页开启]
    F --> D
    E --> G[完成首次对话]
    G --> H[查看练习报告]
  

界面设计稿（授权弹窗、选场景页、对话页、报告页）待 UI 出图后补充。

3.2 一次典型对话

1
2
3
4
5
6

用户点“开始练习”
  → 1 秒内教练先开口打招呼，避免用户不知道该不该说的尴尬
  → 用户自由说话，随时可打断教练
  → 教练回答；说错的地方，教练在回答中自然复述正确说法
  → 用户说 “that’s all for today” 或点结束按钮
  → 生成本次练习报告

一个重要的产品决策：纠错不打断对话流。教练不在用户说话中途插话纠错，而是在自己回应里自然带出正确表达。比如用户说 “I go to school yesterday”，教练回答时自然使用 “Oh, you went to school yesterday! What did you study?”。逐条严肃纠错放在对话结束后的报告里。这是口语陪练产品和语法批改工具的分界线。

3.3 练习报告

对话结束后自动生成，包含：

• 本次时长、开口次数、开口占比
• 对话全文，双方文字稿来自实时转写
• 纠错清单：原文、建议表达、错误类型（时态、冠词、用词、发音）
• 相比上次的变化

报告是留存的关键钩子。用户为了“下次报告好看一点”会回来。

四、产品功能范围

4.1 MVP（P0，必须有）

4.2 二期（P1，快速跟进）

4.3 三期（P2，商业化方向）

4.4 明确不做

• 不做微信同声传译组件方案，兼容性、延迟、审核都不占优
• 不做视频对话，语音是第一产品，视频稀释焦点且成本翻倍
• MVP 不做录音回放，版权和存储成本先验证需求再说
• MVP 不做多人对话，一对一先跑通

五、关键产品决策及理由

为什么自建语音服务，不让客户端直连模型？

模型的访问密钥一旦下发到客户端，等于把计费权交出去。更重要的是，场景配置、教学策略、用户记忆、计费扣费都长在服务端，直连模型等于放弃这些产品差异化能力。自建服务还带来一个好处：以后换模型，客户端不用动。

为什么场景和模型解耦？

场景是业务概念，模型是技术概念，两者分开管理。以后加“日语陪练”，不需要动模型；想换更便宜的模型，也不需要动场景。

为什么报告比对话页面重要？

对话做得好，只是拿到了入场资格；用户回不回来，靠的是报告。感知“进步”靠报告，感知“被记住”靠跨会话记忆。这两点才是和“用免费 ChatGPT 语音聊英语”拉开差距的地方。

六、非功能性要求

成本模型（直接影响定价）

• 首版全链路统一用低延迟、低成本的模型档位，主对话和报告生成都用它，把单位成本压到最低
• 这个档位对“1.5 秒内响应”的体验指标反而更友好
• 产品定价等于模型成本乘以安全系数，再分摊服务器成本。低成本让免费额度可以给得更宽裕，转化漏斗验证更快
• 高质量档位保留为升级选项：质量投诉集中时评估切换，或者作为会员专属权益，切换成本很低
• 免费额度的设计目标：让用户完整体验 3～5 次对话后，自然触达付费墙

合规与隐私

• 麦克风录音属于敏感个人信息，首次采集前需单独同意，这是小程序合规要求
• 语音数据发送至模型服务商处理，隐私政策需明示
• 转写文本和报告属于用户数据，支持删除；原始音频不落盘（MVP）
• 未成年人：MVP 不做青少年模式，但隐私政策需覆盖

可用性

• 核心依赖是模型服务商，上线前确认其服务状态的通知渠道。故障时小程序端给出友好提示，比如“教练休息一下，稍后再来”，不能白屏
• 模型服务商对新账号提供免费额度，开发测试期够用

七、成功指标

北极星指标是周有效练习人数：一周内完成至少 1 次、每次不少于 5 分钟对话的用户数。

辅助指标（上线 3 个月目标）：

八、风险与预案

九、上线计划

与研发的 MVP 阶段计划对齐，详见技术文档。产品侧关注三个闸口：

1. 体验闸口（研发前期）：Web 端端到端延迟、打断实测达标，才进入小程序开发
2. 合规闸口（研发中期并行）：隐私政策、类目资质、麦克风权限文案定稿
3. 商业闸口（研发末期）：免费额度、计费、监控上线，灰度发布

灰度策略：先 Web 端小流量（不涉及审核），再提交小程序审核，通过后 10%、50%、全量逐步放开。