本文来自微信公众号： APPSO ，作者：发现明日产品的，原文标题：《戴上 800 块的 AI 项圈，就能听懂喵星人的话？》
哪个铲屎官不想在自己的小猫小狗发出声音时，听懂它到底想说什么；或者是让它们听懂人类的语言。
杭州一家名为「萌小译」的公司最近推出了一款产品，800块就能实现我们和宠物之间的双向翻译，并且准确率达到了94.6%。
通过一个兼具收音与播放功能的AI项圈，结合手机App，AI项圈会把小猫小狗的声音转成文字显示在App内的对话框，用户可以在对话框发送消息，项圈会发出「喵喵」或「汪汪」的语言，以此让宠物「听懂」人类的话。
听着就特别不靠谱，毕竟类似的产品，我们在微信小程序里面随便一搜就有一大堆。有些很直接地写着「仅供娱乐，请勿认真」，有些一样用着AI的旗号，主打通过录音用AI分析情绪。
如图中的AI宠语翻译，就是利用Qwen-Omni大模型驱动
另一方面是，猫猫狗狗说的什么，我们根本无从验证。翻译器大可用一句不太会出差错的通用场景，例如「我饿了」、「我想出去了」、「我不舒服了」、「有人来了」之类的表达。
而将我们说的话翻译成猫言狗语，大概也会因为宠物的认知有限，导致验证失败。
但就是这么「玄」的一件事，还有指标可以用来衡量，而且做到了94.6%。
萌小译推出的AI项圈还在X上引起了不少的热度，网友们都在讨论这家来自中国的AI宠物翻译初创公司。也有网友直接说「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，哈哈。」
尽管伴随着一些争议，但PettiChat还是很受欢迎，在众筹平台Kickstarter上已经成功募集到了863名支持者，认缴金额达到了14万港币。
在众筹阶段，产品售价是119美元，约合人民币800元，众筹结束后目前海外售价是149美元。
而在微信小店的记录，该产品以799的预售价格，显示有190人已购买。在商品的评论区，有用户贴出了买家秀，表示「偶尔能听听毛孩子的想法很有意思」。
这些翻译的宠物语言，也是相当的人性化。不仅有大量的语气助词「嘛～」、「呐」、「喂」、「咦」、「嘿嘿」、「呀呀」、「呼呼」，还有「不客气」、「别把我忘了」这种情绪感拉满的表达。
宠物真的能懂这么多信息吗
所以，PettiChat的准确率到底是怎么衡量的，这些同类型的产品是不是一种智商税。
一直被怀疑，一直在更新的宠物翻译设备
2002年，日本玩具公司Takara推出了BowLingual，一款狗狗「情绪翻译」项目。
它的工作方式很简单：麦克风录音，然后把狗叫归类成几种情绪状态，比如「开心」「焦虑」「生气」。原理接近噱头，但它真的卖出去了，还获了搞笑诺贝尔奖，评语说的是「它实现了人犬和平交流，所以获得和平奖」。
二十年后，类似的AI工具层出不穷，开头提到的那些小程序，还有专门的应用，都开始利用机器学习来分析猫叫，给每一声叫声打上标签。
年初的CES展会，Traini也推出了一款AI项圈，定位是「人对狗」的单向翻译。我们说话，它转成狗能理解的声学信号。
跟宠物建立沟通的欲望仿佛一直都没有被浇灭，随着技术的演进，反而让我们越来越相信和猫猫交流是有点可能。
这次引起大家关注的PettiChat比以前的产品多做了一件事：它拿出了一套测试数据。
外观上看，PettiChat重27克，夹在项圈上，确实不会对宠物造成额外的负担。
在这个小小设备里，还有边缘计算芯片直接处理音频，延迟最低40毫秒。它不需要持续联网，只在分析声音时短暂调用云端资源。还有其他能力像是IP65防水，一次充电支持1000次翻译，和100小时GPS追踪。
它们在众筹平台上的宣传提到，所使用的声学模型背后是超过150万条宠物叫声样本，结合动物行为学的同行评审研究。最终达到的成果是，仅凭声音模式识别情绪状态，准确率达到91-92%，加入姿态监测维度之后，实验室条件下综合准确率达到94.6%。
500万+的宠物声纹数据
在众筹页面有两张不太清晰的宣传图，列出了这些数据是在哪些基准上进行测试的。我们拿着放大镜看，发现其中提到了两篇论文。
一篇是来自多媒体顶会MM 2025的DogSpeak，犬类发声分类数据集。
作者在这篇文章里，提出了一个大型狗叫声数据集DogSpeak，目标是研究能不能只靠狗的叫声判断狗的性别、品种，甚至是哪一只狗。
它的数据来源是YouTube、TikTok等社交媒体上的狗视频。作者先用哈士奇、吉娃娃、德国牧羊犬、比特犬、柴犬五个品种去搜视频，然后根据频道信息、标题、评论等确认狗的身份、性别、品种。
最后得到了156只狗、5个品种、77202段狗叫序列、33.162小时纯狗叫声。这些数据都没有标注不同的声音代表狗狗在做什么，也没有添加任何的情境信息。
文章的实验任务主要是通过声音序列，来判断狗狗的性别、品种和识别具体是哪一只狗。而实验结果显示，单就这些任务，也没有想象中容易。单纯依靠「纯声学特征」，是很难完美解决真实复杂环境下的狗叫声识别。
可以考虑结合表情
作者在文末建议未来的研究应该跳出传统音频技术的舒适圈，去探索更高级的结构性、韵律性、甚至是犬类潜在的「语言学」特征。
另一篇论文同样是来自MM，2014的城市声音研究的数据集和分类法。这是城市环境声分类领域的经典数据集论文，核心贡献是UrbanSound8K数据集和城市声音分类法。
作者把城市声音分成人声、自然、机械、音乐等大类，再细到狗叫、汽车喇叭、警笛、钻孔、空调、街头音乐等具体声音源。
PettiChat引用了这两篇论文的数据集进行测试，以及联合浙大动科院积累了500万+宠物声纹数据，大约150万条标注，同时在数据集上增加了UrbanSound的环境声音，以确保在真实环境的鲁棒性。
PettiChat所使用的模型，是基于阿里云通义千问大模型。而参与测试的模型包括没有经过预训练的Qwen2-Audio、Qwen2.5-Omni-7B、Qwen3-Omni-30BA3B，以及小米Mino-V2-Omni。
他们根据这些声纹数据和UrbanSound 8K做了一个很大的独立测试集，里面有「叠加过背景噪音的宠物叫声音频样本」，比如一段狗叫或猫叫，叠上电视声、车流声、家电声、街道声等，做成更接近真实生活的混合音频。
以及各种各样的噪音样本，这些可能是不含宠物声音的背景声，用来测试模型会不会把普通噪音误判成宠物叫声。
这些既有带噪声的宠物叫声，也有纯噪声/非宠物声音，只是被用来测试模型能不能在复杂真实环境里准确识别宠物声音。Petti模型的表现在这一项测试下，达到了平均98.6%的识别/检测层面的准确率。
计算准确率的方式是「是否识别宠物声音」，而不是在测试「能不能翻译宠物在想什么」。
在另一项测试中，没有其他的对比模型，也没有列明具体的测试集，只是使用PETTI-260315这一模型，测试了其在猫/狗情境声音识别中的准确率。
猫猫的分类标签包括了攻击/敌对、颤音/社交亲近、叫唤请求/急迫、防御性打斗行为、防御性威胁、捕猎意图/潜伏、痛苦/压力叫声、环境干扰、呼噜/休息。这些数据一共有19万条，是经过专家检查过的猫猫声音情境测试数据。
狗狗同样是用了8.4万条专家检查过的狗声音情境测试数据，里面的分类标签也包括了攻击/敌对、节律性发声、远距离呼叫、分离焦虑、环境干扰、领地警戒、服从/安抚。
针对这些情境的测试，猫猫的平均准确率达到了94.6%，狗狗是92.3%。
而标记这些声音属于哪一种情境，在他们的众筹宣传文章里面还提到了Video Ground Truth这个概念。
它的意思是用视频中的行为、环境、姿态、主人互动等作为标签来源，去对齐宠物声音和场景。
比如视频里狗对门口陌生人叫，这段声音就会被标记成alert/stranger detected；当猫靠近食盆叫，这段声音序列就被标成food seeking。
所以，本质上94.6%是宠物声音情境分类准确率，而不是我们所理解的一句宠物语言翻译成人类语言的准确率。
但翻译成人类语言是真的有机会实现吗？就拿这个模型来说，它输出的原始结果，可能只是一个标签。
比如一段狗叫被识别为「领地警戒」，这在测试里可以算作一次分类正确。但到了App里，它显示的是「有人来了，我要守住这里。」
一段猫叫被识别为「急迫性请求叫声」，应用里弹出的对话也会是更个性化的「快看看我嘛，我有点着急。」
从「行为标签」到「拟人化翻译」的再加工，它反而让产品变得好玩、亲切，也更像真的在对话。但严格来说，这部分根本不再是那94.6%可以直接覆盖的范围。
因为测试集里的标准答案大概率不是一句自然语言。这些模型只需要判断这段声音更接近「分离焦虑」、「领地警戒」、「呼噜休息」，并不需要证明宠物真的想说「别把我忘了」或者「我想亲亲你的手」。
这也是所有宠物翻译产品最微妙的地方，它可能不是骗子式的随机翻译，但也还远不是我们想象中的宠物语言翻译器。