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”背后的真实想法？或者，能让它们真正理解我们的话？最近，杭州一家名为“萌小译”的公司，就把这个幻想包装成了一款售价约800元的产品——一款宣称能实现人宠双向翻译、且准确率高达94.6%的AI项圈。

它的工作原理听起来很直接：宠物佩戴的项圈负责收音和播放，配合手机App。项圈将宠物的叫声转换成文字显示在App对话框里；反过来，主人输入文字，项圈则会发出对应的“喵语”或“狗语”，试图让宠物理解。然而，这个构想一出来，就难免让人心里打鼓。毕竟，市面上打着“宠物翻译”旗号的小程序和应用比比皆是，有的干脆注明“仅供娱乐”，有的则用AI分析“情绪”，其科学性一直备受质疑。

问题的核心在于验证困难。我们无从得知猫狗的真实意图，翻译器大可用“我饿了”、“想出去玩”这类通用场景来应付，几乎永远“正确”。而将人话“翻译”成宠物语言后，宠物能否理解，同样难以证实。可就是这件如此“玄学”的事，如今竟有了一个高达94.6%的量化指标，这不禁让人好奇，这个数字究竟从何而来？

这款名为PettiChat的产品在海外平台X（原Twitter）上引发了热议，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。”尽管争议不断，市场反响却颇为热烈。它在众筹平台Kickstarter上成功获得了863名支持者，筹集了约14万港币。众筹价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“偶尔能听听毛孩子的想法很有意思”。从展示的翻译结果看，其“译”出的宠物语言充满了人性化色彩，不仅有“嘛～”、“呀呀”等语气词，甚至还有“不客气”、“别把我忘了”这类情绪饱满的句子。

这引出了一个根本问题：宠物真的能表达如此复杂的信息吗？PettiChat宣称的高准确率究竟如何衡量？这类产品，到底是通往理解的新桥梁，还是又一种精心包装的“智商税”？

一直被怀疑，一直在更新的宠物翻译设备

宠物翻译这个概念并非新鲜事物。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，将狗叫简单归类为“开心”、“焦虑”等几种情绪。虽然原理接近噱头，但它确实卖了出去，甚至还获得了“搞笑诺贝尔奖”，颁奖词戏称其“促进了人犬和平交流”。

二十年过去，随着AI和机器学习技术的发展，类似工具层出不穷。从各种小程序到独立应用，都试图通过分析声音模式为猫狗叫声打上标签。在今年初的CES展会上，也有公司推出了主打“人对狗”单向翻译的AI项圈。人类与宠物建立沟通的渴望似乎从未消退，技术演进反而让这种幻想显得越来越“可信”。

而这次PettiChat引发关注的关键在于，它比前辈们多做了一件事：拿出了一套看似严谨的测试数据来支撑其宣称的准确率。

从硬件看，这个重仅27克的项圈设备确实轻巧，宣称内置边缘计算芯片处理音频，延迟最低40毫秒，支持IP65防水，一次充电可进行1000次翻译和100小时GPS追踪。根据其众筹页面宣传，其声学模型基于超过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，仅凭声音模式识别情绪状态的准确率达91-92%，加入姿态监测后，实验室综合准确率提升至94.6%。

500万+的宠物声纹数据与94.6%的真相

要理解这个94.6%，得仔细审视其数据基础。众筹页面模糊的图表中提到了两篇关键论文。

一篇是多媒体顶会MM 2025的《DogSpeak》论文，作者构建了一个大型狗叫声数据集，目标是通过叫声识别狗的性别、品种甚至个体身份。数据来源于社交媒体视频，最终包含156只狗、超过3.3万小时的纯狗叫声。值得注意的是，该研究明确指出，

，并建议未来研究应探索更高级的特征。

另一篇是MM 2014年的经典论文《UrbanSound8K》，主要贡献在于城市环境声音的分类数据集和方法。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（约150万条标注），同时加入了UrbanSound的环境噪音数据以提升模型在真实环境中的鲁棒性。

那么，具体的测试是怎么做的？根据其描述，他们构建了一个大型独立测试集，其中包含叠加了电视声、车流声等背景噪音的宠物叫声样本，以及不含宠物声音的纯噪音样本。在这个测试集上，模型在“识别是否存在宠物声音”这一任务上，达到了平均98.6%的准确率。

而重头戏，即那94.6%的准确率，则来自另一项“情境声音识别”测试。他们使用名为PETTI-260315的模型，在一个包含19万条猫叫和8.4万条狗叫的专家标注数据集上进行测试。这些声音被标注为“攻击/敌对”、“社交亲近”、“分离焦虑”、“领地警戒”等具体行为情境。测试结果显示，猫情境识别的平均准确率为94.6%，狗为92.3%。

这里的关键在于“Video Ground Truth”方法，即通过视频中宠物的行为、环境、姿态等视觉信息，来对齐和标注声音所对应的情境。例如，狗对着门口陌生人叫，声音就被标为“警戒/发现陌生人”；猫靠近食盆叫，则被标为“寻求食物”。

于是，真相浮出水面：

那么，从“行为标签”到我们看到的“拟人化翻译”，中间发生了什么？模型输出的原始结果可能只是一个“领地警戒”的标签，但在App中，它被渲染成了“有人来了，我要守住这里。”一段被识别为“急迫性请求”的猫叫，在对话框里则变成了“快看看我嘛，我有点着急。”这种从冷冰冰的学术标签到充满情感色彩的自然语言的“再加工”，正是产品变得有趣、亲切的关键，但也恰恰是94.6%这个数字无法覆盖的“模糊地带”。

因为测试集中的标准答案，是“分离焦虑”这类行为标签，而非“别把我忘了”这样的句子。模型只需要判断声音更接近哪个标签，无需也无力证明宠物是否真的在想那句被翻译出来的话。

所以说，这类宠物翻译产品处在一个非常微妙的位置：它可能并非完全凭空捏造的“骗子”，其背后确实有基于大量数据的行为识别研究作为支撑；但它也远非我们想象中的、能实现跨物种精确对话的“翻译器”。它更像一个基于概率的行为推测器，加上了一层为了让人类用户感到亲切而精心设计的语言包装。对于消费者而言，理解这其中的区别，或许比纠结于那个诱人的百分比更为重要。