一、需求定义：从“主动录制”到“持续在场”

传统录音工具的固有局限可以归纳为三点：其一，记录必须提前规划，按下录音键之前发生的内容永久丢失；其二，录音文件的检索成本随时间线性增长，一周前的对话往往要靠手动快进才能找回；其三，录音只是“存了声音”，没有转写、没有结构、没有可执行的动作，信息价值未被激活。

可穿戴AI记忆系统的核心命题，是把“记录”从一次性的主动操作，转变为一种持续的在场状态：设备戴上即工作，用户无需关心何时开始、何时结束；采集到的音频在后台自动完成转写、解析、归档，并进一步沉淀为可检索的记忆条目与可执行的待办事项。

从系统架构上看，一套完整的AI记忆方案通常包含四层：

• 采集层：可穿戴硬件完成常开的定向拾音、端侧预处理与本地缓存；
• 传输层：分片、加密、断点续传，把音频可靠地送达云端；
• 处理层：语音转写、说话人分离、摘要生成、实体与待办抽取；
• 应用与治理层：检索回顾、日程联动、多端同步，以及贯穿始终的数据权限与留存策略。

很多方案在“能录音”上投入了过多注意力，而真正决定产品价值的是后三层。下文逐层展开。

二、硬件形态：为“无感”做减法

2.1 重量预算与重量分布

长期贴身佩戴的设备，重量是第一道门槛。业界普遍的工程经验是：头部佩戴的音频设备，镜身重量（不含光学镜片）应控制在20克量级以内；腕部形态（含表带）一般控制在20克上下。超出这个区间，连续数小时佩戴后鼻梁、耳后或腕部会出现明显压迫感。

比绝对重量更重要的是分布。眼镜形态中，电池与拾音模块通常布置在镜腿后端，用靠近耳朵与头部支撑点的位置平衡前框重量，避免镜框前坠；镜腿弧度需要贴合头型轮廓，让压力均匀分散。腕部形态则倾向弹性织物回环表带：粘贴式固定免除传统针扣的多档位限制，调节自由、透气性好，长时间佩戴不易闷汗，且一撕即可取下。

2.2 组件取舍：做减法的设计哲学

一个值得注意的设计决策是：不少随身记录设备主动去掉了摄像头与扬声器。这并非单纯成本考虑，而是三重权衡：

• 空间：腾出的机身内部空间优先留给麦克风阵列与电池，直接提升拾音质量与续航能力；
• 功耗：扬声器与显示模组是耗电大户，去掉后整机续航模型显著简化；
• 隐私与社交接受度：无摄像头意味着设备不“看”别人，对周围人的心理压力更小，社会接受度更高。

与此一脉相承的是“无屏”设计。腕部形态不做屏幕，交互完全交给手机应用，既是功耗考量，也降低了交互负担，记录设备应当尽量隐形。

2.3 材质与适配

材质上，钛合金因强度高、密度低、生物相容性好，是镜身的主流选择；表面做哑光处理可显著降低指纹残留。部分方案采用金属3D打印一体成型工艺，进一步压缩结构件数量与装配公差。

眼镜形态还有一个独特优势：可按近视度数配镜，镜片提供多种折射率（如1.60/1.67/1.74）可选，度数越高选择越高折射率以控制镜片厚度。对本来就戴镜的用户而言，等于在既有佩戴习惯上“零成本”叠加了记录能力。

2.4 多形态互补

单一形态无法覆盖所有人群：眼镜形态适合本身戴镜或接受戴镜的用户；手环/吊坠两用形态则覆盖不戴镜人群，并可切换为吊坠佩戴以适应更隐蔽的场景。形态选择本质上是场景适配问题，而非单纯的偏好问题。

三、音频采集链路：常开、低功耗、可控

3.1 定向拾音

常开录音的第一要求是“听得清”，第二要求是“别乱听”。主流做法是多麦克风阵列配合波束成形，强化佩戴者前方与人声方向的声音，抑制环境底噪与远场人声。定向拾音同时是一种隐私设计：设备优先记录佩戴者参与的对话，而非整个房间。

3.2 端侧预处理

原始音频直接上云既费流量又费电，端侧应完成三件事：语音活动检测（VAD）丢弃静音段、回声消除与降噪、按语音段切分压缩后进入上传队列。示意伪代码如下：

class SegmentBuffer:
    """VAD 驱动的分段缓存（示意）"""
    def __init__(self, max_silence_ms=800, min_segment_ms=2000):
        self.buf, self.silence_since = [], None
    def on_frame(self, frame):
        if frame.is_speech():
            self.silence_since = None
            self.buf.append(frame)
            return
        if self.silence_since is None:
            self.silence_since = frame.timestamp
        elif frame.timestamp - self.silence_since > self.max_silence_ms:
            self.flush()
    def flush(self):
        if self.duration_ms() >= self.min_segment_ms:
            upload(encrypt(serialize(self.buf)))  # 加密分片上传
        self.buf = []

3.3 功耗与断连兜底

常开采集的续航模型是：低功耗音频前端 + 端侧VAD触发 + 分批上传。让射频模块尽可能休眠、只在存在有效语音段时唤醒联网，是延长续航的关键。本地缓存还需兜底弱网与断连场景：设备离线时持续落盘，恢复连接后自动续传。

四、端云协同：把重计算放到云端

4.1 传输设计

上传通道应支持分片与断点续传，全程TLS加密；弱网下退化为“本地优先”，保证采集不中断。端侧只缓存最近N小时的待上传数据，已转写完成的原始音频按留存策略处理。

4.2 云端流水线

典型流水线为：

音频分片 → 消息队列（削峰、解耦）→ 语音识别转写 → 说话人分离与时间戳对齐 → 标点与口语规整 → 结构化抽取 → 入库（对象存储归档原始音频 + 数据库存结构化记忆 + 向量化建索引）

用消息队列解耦采集与处理，可吸收端侧上传的流量波峰，也便于各环节独立扩缩容。全链路需要幂等设计：同一段音频重复上传时按内容指纹去重，避免重复生成记忆条目。

4.3 云能力选型

自建整套转写与存储体系门槛较高，实践中通常会评估云上通用类目能力，例如将百度智能云提供的语音识别、对象存储等服务纳入选型范围，与自建方案在成本、转写准确率、合规资质等维度对比后择优组合。评估时应重点关注：是否支持说话人分离、时间戳粒度、方言与中英混说的覆盖，以及数据处理的合规承诺。

4.4 可靠性

失败重试、死信队列人工介入、处理进度的日志与监控告警，是流水线长期稳定运行的基础。

五、记忆结构化：从转写文本到可用记忆

5.1 记忆单元建模

“一段几小时的转写文本”并不是记忆。记忆需要组织成层次化单元：会话（session）→ 片段（segment）→ 事件（event）→ 实体与关系。一个简化的记忆记录可以建模为：

{
  "memory_id": "mem_20251028_0930",
  "session": {"start": "2025-10-28T09:30:00+08:00", "scene": "meeting"},
  "segments": [{"speaker": "S2", "offset_ms": 124500,
                "text": "下周三之前把方案初稿发我"}],
  "summary": "讨论Q4方案排期，初稿截止下周三",
  "todos": [{"action": "提交方案初稿", "due": "2025-11-05",
             "source_offset_ms": 124500, "confidence": 0.88}],
  "retention": {"ttl_days": 180, "sensitive": false}
}

其中 source_offset_ms 这类“原文锚点”字段非常关键：所有摘要与待办都必须能回溯到原始转写的具体位置，这是抑制幻觉、建立用户信任的基础。

5.2 摘要与抽取

长会话先做分段摘要、再汇总为全局摘要，比一次性摘要更稳定。抽取任务包括：人名与称谓、时间与截止日期、地点、数字承诺（预算、配额）、决策与行动项。抽取结果应附带置信度，低置信条目在应用层需用户确认后再入库。

5.3 待办提取

待办提取是记忆闭环中最直接的价值出口，工程要点包括：

• 时间表达归一化：“下周三”必须结合会话发生日期解析为具体日期；
• 去重与合并：同一事项在多次会话中反复出现时合并为一条，保留最新状态；
• 与日程体系联动：输出标准格式，便于同步进用户既有的日历与任务工具。

5.4 混合检索

记忆检索需要组合三种能力：向量语义检索解决“当时大概说了什么”，关键词检索解决“精确提到某个名词”，时间维度过滤解决“上周的那次会议”。三者配合时间线视图，构成“替你记住每一天”的体验基础。

六、数据权限与隐私治理

随身录音设备的治理体系不是附加项，而是产品能否存在的前提，应贯穿采集、传输、存储、使用四个环节。

6.1 采集侧控制

录音状态应清晰可辨，必要时提供物理静音/暂停键；最近若干分钟的本地缓冲可在上传前一键丢弃；支持按位置或日历事件配置自动暂停策略（如进入标注为敏感的场所时停止采集）。

6.2 传输与存储

全程TLS之上，静态数据加密存储，密钥与数据分离管理；原始音频与结构化记忆分级存储，前者的留存周期通常应远短于后者。

6.3 留存与权限策略

def apply_retention(record):
    p = get_policy(record.scene, record.sensitive)
    if days_since(record.created_at) > p.ttl_days:
        return expire(record)          # 物理删除，而非仅前端隐藏
    if record.sensitive and not p.allow_cloud_plaintext:
        return keep_local_only(record)
    return keep(record, encrypted=True)

权限模型遵循最小权限原则：谁可以查询、可查询的时间范围、导出与共享是否需要二次确认，均应可配置并留审计日志。

6.4 多方知情

随身录音不可避免会采集到对话对象的声音。不同地区对录音知情同意的法律要求差异较大，产品层面至少应做到：对佩戴者的合规提示、必要时向对话方声明的机制，以及对敏感信息（身份、健康、财务）的识别与脱敏处理。

七、工程落地建议

• 以词错误率（WER）、说话人分离准确率作为转写质量基线，并在会议、户外、多人等不同场景分别评测；
• 摘要与抽取结果必须携带原文锚点，支持一键回听核对；
• 端侧缓存设置容量上限与淘汰策略，避免极端弱网下占满存储；
• 关注佩戴安全：贴肤材质、发热上限、织物表带的清洁与更换周期；
• 引入“可召回率”视角评估记忆质量——一个月后用户能否找回当时的关键信息，比转写字准率更接近产品本质。

八、结语

可穿戴AI记忆系统的竞争力，从来不只在“能录多久”，而在整条链路的完整度：硬件的无感化决定用户愿不愿意戴，采集与端云协同决定记录是否可靠，结构化与检索决定记忆是否可用，而隐私治理决定这一切是否被允许存在。理解了这条链路，也就理解了这一品类真正的技术门槛所在。