戴上 800 块的 AI 项圈，就能听懂喵星人的话？

哪个铲屎官没幻想过，能听懂自家毛孩子那几声“喵喵”或“汪汪”背后的真实意图，甚至能让它们也理解我们的话呢？最近，杭州一家名为“萌小译”的公司，就把这个幻想推到了我们面前——一款售价约800元的AI项圈，宣称能实现人与宠物的“双向翻译”，并且准确率高达94.6%。

原理听起来并不复杂：一个集成了收音和播放功能的项圈，配合手机App。宠物发声时，项圈捕捉声音并通过AI转化为文字，显示在App对话框里；主人输入文字后，项圈则会发出对应的“宠物语言”。然而，这个描述本身就让人心生疑虑。毕竟，市面上打着“AI宠物翻译”旗号的小程序和应用比比皆是，其中不少都明确标注“仅供娱乐”。

更深层的挑战在于验证。我们无法真正知道一只猫或狗在叫的时候，脑子里想的是不是“我饿了”或“我想出去”。同样，将人类语言“翻译”成猫言狗语后，宠物是否真的能理解，也几乎无法求证。但就是这件听起来颇为“玄学”的事，却被这家公司用具体的数字——94.6%的准确率——给量化了。

这款名为PettiChat的产品在海外平台X（原Twitter）上引发了不少讨论，有网友一针见血地指出：“95%的准确率是基于你能核实他们所说的话的前提，而你根本无法核实。所以这纯粹是胡扯。”尽管如此，市场反响却相当热烈。它在众筹平台Kickstarter上成功获得了863名支持者，筹集金额超过14万港币。众筹阶段售价119美元（约合软妹币800元），结束后零售价调整为149美元。

在其微信小店的预售页面上，显示已有190人购买。评论区有用户晒出“买家秀”，反馈说“偶尔能听听毛孩子的想法很有意思”。从展示的翻译结果来看，文本充满了人性化的语气词和情绪表达，比如“嘛～”、“别把我忘了”、“嘿嘿”等，仿佛宠物真的在用人类的思维和口吻对话。

这不禁让人好奇：PettiChat宣称的高准确率究竟是如何衡量的？这类产品，到底是通往“人宠沟通”的技术桥梁，还是一种精心包装的“智商税”？

一直被怀疑，一直在更新的宠物翻译设备

人类试图解读宠物语言的尝试，其实由来已久。早在2002年，日本玩具公司Takara就推出过一款名为BowLingual的狗狗“情绪翻译”产品。它通过麦克风录音，将狗叫声简单归类为“开心”、“焦虑”等几种情绪。尽管原理接近噱头，但它不仅成功售出，甚至还获得了“搞笑诺贝尔奖”，颁奖词颇为幽默地称其“促进了人犬和平交流”。

二十年过去，随着机器学习技术的发展，类似的AI工具层出不穷。从各种小程序到独立应用，都试图通过分析声音模式来给宠物的每一声叫唤打上标签。

例如，在今年初的CES展会上，另一款名为Traini的AI项圈亮相，主打将人类语言转化为狗能理解的声学信号，实现“人对狗”的单向沟通。可见，与宠物建立沟通的欲望从未消退，技术演进反而让这个梦想显得越来越“可信”。

而此次的PettiChat，与前辈们相比，做了一件关键的事：它尝试提供一套可追溯的测试数据和方法，试图为产品的有效性“背书”。

从硬件上看，这款重仅27克的设备，通过夹子固定在宠物项圈上，宣称对宠物负担极小。其内置边缘计算芯片，能实现最低40毫秒的音频处理延迟，无需持续联网，仅在分析时短暂调用云端资源。此外，它还具备IP65防水、支持1000次翻译的续航以及100小时的GPS追踪能力。

根据其众筹页面的宣传，产品的声学模型基于超过150万条宠物叫声样本，并结合了动物行为学的同行评审研究。最终宣称，仅通过声音模式识别情绪状态的准确率可达91-92%，在加入姿态监测维度后，实验室条件下的综合准确率达到了94.6%。

500万+的宠物声纹数据与“准确率”的真相

要理解这94.6%从何而来，需要仔细审视其技术基础。在众筹页面的宣传图中，隐约提到了两篇关键的学术论文作为测试基准。

第一篇是发表于多媒体顶会MM 2025的论文《DogSpeak》。该研究构建了一个大型犬类发声数据集，目标是通过叫声判断狗的性别、品种甚至个体身份。数据来源于YouTube、TikTok等平台的视频，最终汇集了156只狗、超过3.3万小时的纯狗叫声。值得注意的是，论文作者明确指出，

，并建议未来研究应探索更高级的结构性、韵律性特征。

第二篇引用的则是2014年MM会议上的经典论文，关于城市声音分类的数据集UrbanSound8K。该研究对城市环境声音进行了系统分类，其中就包含了“狗叫”这一类别。

PettiChat宣称，其模型基于阿里云通义千问大模型，并联合浙江大学动物科学学院，积累了超过500万条宠物声纹数据（其中约150万条带有标注）。同时，为了提升在真实环境中的鲁棒性，他们在数据集中加入了UrbanSound8K的环境噪音。

那么，关键的“准确率”到底测的是什么？根据其描述，测试主要分为两个层面：

他们构建了一个包含“叠加背景噪音的宠物叫声”和“纯噪音”的独立测试集。模型的任务是判断一段音频中“是否包含宠物声音”。在这一任务上，模型达到了平均98.6%的识别准确率。

这才是94.6%这个数字的真正来源。他们使用了约19万条猫叫和8.4万条狗叫的“专家检查过的情境测试数据”。这些声音被预先标记为诸如“攻击/敌对”、“分离焦虑”、“呼噜/休息”、“食物寻求”等具体行为情境。模型的任务是，听到一段叫声后，判断它最可能属于哪个情境标签。测试结果显示，猫的情境分类平均准确率为94.6%，狗为92.3%。

这里引入了一个重要概念：

。即通过同步拍摄的视频，根据宠物的具体行为（如对着门叫、靠近食盆）、环境、姿态等，来为对应的声音片段打上情境标签。例如，狗对陌生人吠叫的视频片段，其声音就被标记为“警戒/发现陌生人”。

至此，真相逐渐清晰：

这中间的差距，正是产品体验与实验室数据之间的“魔法地带”。在实验室里，模型输出可能只是一个冷冰冰的标签，比如“领地警戒”或“急迫性请求”。但在App的交互界面上，这个标签被“翻译”成了充满人情味的句子：“有人来了，我要守住这里。”或者“快看看我嘛，我有点着急。”

从“行为标签”到“拟人化对话”的这一步再加工，让产品变得有趣、亲切，仿佛真的实现了对话。然而，严格来说，

。因为测试集的“标准答案”是行为标签，而非一句自然语言。模型无需证明宠物真想说的是“别把我忘了”，它只需要判断叫声更接近“分离焦虑”这个分类。

所以说，这类宠物翻译产品处在一个微妙的灰色地带。它可能并非完全凭空捏造的“骗子”，依靠着相当规模的数据和严谨的情境分类研究；但它也远非大众想象中的、能实现精确语义转换的“宠物语言翻译器”。它更像是一个基于概率的行为推测器，并用高度拟人化的文案，为我们与宠物之间的互动，增添了一层充满趣味和情感色彩的“滤镜”。至于这层滤镜是让我们更了解宠物，还是仅仅满足了我们的情感投射，或许就是见仁见智的问题了。