三家“语音优先”的教育AI公司接连融资，为什么都开始让AI“开口教学”？ - 九游体育

近期，教育人工智能领域浮现出一个显著趋势：众多初创企业正将“语音优先”作为核心策略，把“开口交流”置于AI教学产品的关键位置。

9月下旬，总部位于荷兰阿姆斯特丹的AI语言学习公司Eevi完成了由Rockstart主导的Pre-seed轮融资，具体金额未对外公开。该公司面向国际职场人士，定位为“语音优先”的AI语言导师，旨在应对语言学习中的典型难题：用户可能已掌握大量词汇并完成众多练习，但实际开口时仍会卡壳。

Eevi将这一现象称为“流利错觉”——表面上看掌握了语言，却无法真正运用。其产品从初始阶段便引导用户与AI进行实时语音对话，而非反复点击选择题、记忆单词或输入文字。

巧合的是，几乎在同一时段，另外两款AI辅导产品也采取了相似策略。

总部位于美国的Aristotle于今年9月宣布获得500万美元种子轮融资，由True Ventures领投。该产品面向13至18岁学生，自称是语音优先的AI辅导平台。正式上线前，Aristotle已让超过1000名学生完成了逾1500小时的一对一AI辅导。

印度AI教育公司YoLearn.ai于今年9月初获得一笔未披露金额的种子轮融资，由印度知名传媒集团ABP集团旗下的教育机构ABP Education领投。该产品将实时语音对话与互动白板相结合，使AI教师不仅能“说话”，还能在屏幕上绘图、推导题目。目前，它覆盖印度学生及JEE、NEET等考试场景，并支持包括Hindi和Hinglish在内的22种语言。

这三款产品——一个专注语言学习，一个针对印度K12辅导，一个面向美国青少年教育——均将“语音优先”置于产品设计的前沿。

这或许标志着AI教育领域正在经历一次交互方式的变革。

通用大模型可能也具备语音功能，但仅仅是增加了“语音”这一选项。而Eevi、YoLearn、Aristotle这些产品从一开始就围绕“语音”交互来设计学习流程。

教育科技行业从业者TCOH向多知分享称：“语音交互是人与人之间最常用且最高效的交互方式，也是在教育场景下，最高频最自然的交互方式。”

真实的教学并非简单的一问一答模式。教师会追问、打断，根据学生说话的语气判断其理解程度；学生也会通过言语暴露知识盲区。很多时候，“写得出来”与“说得出来”是两种截然不同的能力。

语言学习尤为突出。

一个学生可能认识“restaurant”“reservation”“available”等词汇，也能在应用程序中正确排列句子，但当他真正走进餐厅，需要临时说出“I'd like to make a reservation”时，仍可能卡顿。

这正是Eevi所称“流利错觉”背后的产品机会。

因此，语音交互真正开辟的空间，在于让AI参与到“调用知识”的过程中，而不仅停留在知识问答层面。

这正是语音作为教育交互方式最值得关注之处。

对于语言学习而言，语音几乎天然就是目标能力本身：最终用户需要的是听懂他人、组织语言、即时回应。

对于数学、科学等学科，情况略有不同。

YoLearn的做法颇具代表性：AI通过声音与学生交流，同时使用互动白板展示公式、图形和推导过程。声音负责实时互动，视觉界面承担知识呈现，语音与视觉共同构成AI教学的交互界面。

Aristotle也遵循类似思路。它将自己定位为AI导师，重点在于根据学生的理解程度动态调整解释、节奏和支持方式，使语音对话真正服务于一对一教学。

这意味着，语音优先背后真正值得关注的是：AI教育产品正从“内容产品”转向“交互产品”。

当前的实时语音模型已开始允许AI持续聆听、持续说话，并结合上下文进行多轮交流。对于教育产品而言，这意味着AI首次越来越接近“一对一陪练”的形态。

这也是早期资本开始愿意为这类产品下注的原因。

不过，值得注意的是，“语音优先”目前仍更像一个有待验证的产品假设，而非已被证明的教育结论。

一项今年9月发表的预印本研究，在波士顿大学Online MBA的一门企业金融课程中进行了随机实验。研究发现，语音模式下，学生的对话密度约为文字模式的1.8倍，提问次数约为文字模式的2.4倍；学生也更偏好语音。但在五周实验中，语音与文本模式的周度学习掌握程度在统计上没有显著差异。此外，语音的成本大约是文字的2.8倍。

（数据显示学生更偏好语音交互）

（数据显示语音交互和文本交互对学生成绩影响几乎没有差异）

这一结果至关重要。可以看出，语音显著改变了“学生如何与AI学习”，但目前没有证据表明它显著改变了“学生学到了多少”。

一个能流畅聊天的AI，与一个真正能教会学生知识的AI，之间仍隔着一整套教育学设计。

因此，从这个角度看，Eevi、YoLearn和Aristotle现在真正需要验证的，并非“AI能否与学生聊天”。这一问题已基本解决。

它们需要回答的是三个更棘手的问题。

第一，语音陪练能否带来能力提升？

例如，Eevi最终不能只告诉用户“你今天说了20分钟”，而需要证明用户的口语流利度、词汇使用、听力理解或真实场景交流能力确实有所提高。

第二，AI能否在对话过程中真正完成教学？

一位真人教师会判断何时应纠正、何时不应打断；何时继续追问、何时降低难度。如果AI仅将ChatGPT的文字回答转换为声音，本质上仍是聊天机器人。

第三，语音是否是教育AI的最终形态？

这或许是最值得观察的问题。很可能答案并非“未来所有教育AI都只靠说话”。

未来的教育AI可能越来越像一个多模态的私人教师：用声音交流，用视觉展示，用白板推导，用文字帮助复习，再根据学生的表现动态调整课程。

Eevi、YoLearn和Aristotle的产品已朝这一方向发展。

在中国，“语音优先”尚未成为教育AI产品普遍强调的标签，但语音已融入主流AI教学产品的交互体系。无论是学习机中的AI教师，还是豆包爱学的AI教师，都在通过语音、文字、图像等多种方式与学生进行实时互动。

无论如何，语音只是入口，终点仍是“教学”。

真正值得关注的是：教育AI正走向实时教学交互——AI听见学生的回答，理解其反馈，随时追问、纠正和调整教学节奏。语音只是目前最自然的一种实现方式，未来也可能出现更优的交互形态。

对Eevi、YoLearn和Aristotle而言，现在要验证的是：更自然、更高频的实时互动，能否最终转化为可量化的学习效果。

参考资料： 《When AI Tutors Speak: Evidence from a Randomized Field Experiment》https://arxiv.org/abs/2609.23958?utm_source=chatgpt.com 本文来自微信公众号“多知网”（ID：duozhiwang），作者：王上，36氪经授权发布。