為什么一個語言學習軟件，能被 OpenAI 連投四輪？

2018 年 1 月，Speak 正式在韓國上線應用商店。上線當天共 3 人付費，收入 18 美元。這是 Speak 成立 3 年來第一筆用戶付費收入。

Speak 是兩位天才少年共同打造的一款 AI 語言學習產(chǎn)品。

一位名叫 Andrew Hsu，生于中國臺灣，在美國長大，從小便是華盛頓各大媒體筆下的天之驕子。Hsu 5 歲能解代數(shù)題，7 歲因太聰明而輟學開始家庭教育（Home-schooling），用 1 年時間學完了從小學到初中的課程；12 歲考入華盛頓大學，16 歲從華盛頓大學畢業(yè)時手握三個理學學士學位；19 歲成為斯坦福大學神經(jīng)科學項目四年級博士候選人后輟學創(chuàng)業(yè)，成為 Peter Thiel"20 Under 20" 計劃的一期學員，后來成為首位拿到 Google Venture 等知名 VC 投資的創(chuàng)業(yè)者。

另一位名叫 Connor Zwick，從 13 歲開始編程，曾被澳大利亞科技網(wǎng) Nettuts.com 聘請擔任網(wǎng)站作者；高二時開發(fā)一款語言學習應用 Flashcard+，用戶最高達 500 萬，最終被上市教育企業(yè) Chegg 收購。之后，Connor 入學哈佛，但只上了一年課便輟學創(chuàng)業(yè)，成為 "20 Under 20" 計劃二期學員并結識 Hsu。

2016 年，二人共同創(chuàng)辦語言學習應用 Speak，試圖借助最新的 AI 技術，打造一個 "AI tutor"，讓每位語言學習者享受到個性化教育，真正學會 " 說 " 英語。

為實現(xiàn)這個目標，成立以來，Speak 團隊用了幾年時間反復試驗 PMF。而上線首日的 18 美元讓團隊第一次看到希望，也為今天的 10 億美元估值寫下序章。

" 小天才組合 "

2011 年，Peter Thiel 發(fā)起 20 Under 20 計劃，鼓勵有想法的學生輟學或暫時休學創(chuàng)業(yè)。

同年，年僅 19 歲的天才少年 Andrew Hsu 從斯坦福輟學，成為 20 Under 20 的一期學員，并創(chuàng)辦 Airy Labs。Airy Lab 希望針對兒童開發(fā)出能被家長們廣泛認可的，具有教育意義的社交游戲，真正實現(xiàn) " 寓學于樂 "。

當時，Hsu 天才少年的光環(huán)，Peter Thiel 的背書，以及超前的教育理念讓 Airy Labs 成為 VC 眼中的一顆新星。Airy Labs 成立不久便獲得 150 萬美元種子輪融資，投資方大佬云集，包括 Google Ventures、Foundation Capital 和 Playdom 創(chuàng)始人 Rick Thompson。拿到融資后，Airy Labs 的團隊迅速擴充至 20 人，Hsu 也成為媒體口中的創(chuàng)業(yè)明星。

然而，一時風光無兩的 Airy Labs 僅存活了不到 1 年。

Hsu 的天賦并未在經(jīng)營公司中體現(xiàn)，他的父母成為公司真正的掌舵人，并逐漸將公司變成了一個 " 家庭作坊 "。

Hsu 的父母近乎像管孩子一樣管理 Airy Labs，他們制定的一系列管理制度在員工眼中都很 " 糟糕 "。例如，上午 9 點到下午 6 點不能在辦公室大聲說話，必須通過電子郵件或通訊軟件交流；部分成員需要在工作結束后向 Andrew Hsu 或其父母匯報工作，經(jīng)常等到晚上 9、10 點甚至更晚才下班，而且每周通常要工作 6~7 天。

" 管理層與父母不同，他們肯定不愛我們。他們要求的工作時間在他們所在的國家可能是正常的，但在這里是不可接受的。我認為他們沒有根據(jù)文化差異進行調(diào)整。" 一位離職員工曾抱怨。

除管理問題外，Airy Labs 的離職員工曾透露，公司并沒有清晰的愿景和戰(zhàn)略布局。公司網(wǎng)站上描述的愿景是 " 為兒童打造下一代社交學習游戲 "，但公司卻沒幾個全職的游戲設計師。在這種情況下，公司卻一連發(fā)布 7 款免費產(chǎn)品，幾個月后才引入收費機制，導致公司一直燒錢，卻沒有收入。

面對如此局面，Hsu 一度寄希望于 A 輪融資能提供更多資金維持運轉(zhuǎn)。但最終，員工們沒有等到 A 輪融資，而是減薪裁員、公司倒閉。

創(chuàng)業(yè)失敗的教訓慘痛，但 Andrew Hsu 改變教育的熱情卻絲毫不減。正是這次創(chuàng)業(yè)經(jīng)歷，他認識了 20 Under 20 計劃的二期學員 Connor Zwick。

Connor Zwick 從 13 歲開始編程，曾被澳大利亞科技網(wǎng) Nettuts.com 聘請擔任網(wǎng)站作者。高二時，Connor Zwick 一度對時下的教育體制感到失望，希望用創(chuàng)新技術實現(xiàn)真正的 " 因材施教 "。于是，Zwick 開發(fā)了語言學習應用 Flashcards Plus，用戶可以把單詞和短語的語音制作成電子學習卡片反復練習。

" 我當時的想法是，如果能將這些知識點匯總成某種知識圖譜，就能生成任何內(nèi)容、教授任何知識，并創(chuàng)造出一個無所不知的導師。"Connor 近期回憶道。但顯然，當時的技術水平難以滿足這個愿景。最終，F(xiàn)lashcards Plus 全球用戶量達到 500 萬，2013 年被教育科技上市公司 Chegg 收購。

之后，Connor 考入哈佛，在哈佛大學學習一年后，便拿下 10 萬美元的泰爾獎學金和 Y Combinator 提供的 15 萬美元投資輟學創(chuàng)業(yè)，開發(fā)了 Coco Controller，曾和 30 家游戲企業(yè)建立聯(lián)系。

直到 2016 年，Andrew Hsu 和 Connor Zwick 都看到了在 AI 教育領域再次出發(fā)的機會。

AlphaGo 戰(zhàn)勝李世石后，深度學習范式成為 AI 界的新熱點，大量人工智能論文問世，Andrew Hsu 和 Connor Zwick 在硅谷親眼見證了一切的發(fā)生。

" 那時的模型更加具體，比如語音模型、圖像模型。我們看到這些模型即將與人類一樣好，甚至比人類更好。"Connor 曾對媒體表示，" 當時只是覺得這東西很酷，想用 AI 來打造一些有趣的東西。"

他們用一年時間研究 AI，甚至到斯坦福蹭課學 AI。期間，他們嘗試開發(fā)了各種不同的算法，還嘗試過不少計算機視覺應用，例如用 AI 定制服裝，或應用于醫(yī)學影像測量人體指標，以及用深度學習預測天氣。

但二人發(fā)現(xiàn)語音識別是效果最驚艷的。當時，他們在 YouTube 上隨機收集了一些語音數(shù)據(jù)，構建了一個語音識別系統(tǒng)，不僅能理解用戶說話的內(nèi)容，還能理解不同口音。

用隨機數(shù)據(jù)訓練的模型尚且有這么好的效果，如果質(zhì)量更高的數(shù)據(jù)呢？于是，二人提出一個技術假設：是否能構建一種真正可用的產(chǎn)品，從中收集足夠的用戶數(shù)據(jù)，以供算法使用，改善建模，優(yōu)化產(chǎn)品體驗，進而獲取更多的數(shù)據(jù)，形成良性的數(shù)據(jù)循環(huán)？

在這個假設之上，Speak 成立了。

" 先有雞 " 還是 " 先有蛋 "？

或許是有了此前創(chuàng)業(yè)失敗的經(jīng)驗，Speak 從創(chuàng)辦之初就制定了清晰的發(fā)展路徑。

Andrew Hsu 和 Connor Zwick 二人一致認為，除非學習者移居到英語母語地區(qū)，否則大概率只能學到一手 " 啞巴英語 "，無法正常交流。因此，Speak 的愿景就是為每一位用戶打造一位個性化的 "AI tutor"，讓想學英語的人能真正會說會用。

目標很清晰，問題在于如何實現(xiàn)。

Speak 成立初期，團隊遇到了經(jīng)典的 " 先有雞 " 還是 " 先有蛋 " 的問題——要建立強大的 AI 模型，就需要大量多元、高質(zhì)量的語音數(shù)據(jù)喂給模型。但要獲得數(shù)據(jù)，要么需要全程手動搜集，成本高昂；要么就需要創(chuàng)建一款可以收集該類數(shù)據(jù)的產(chǎn)品，但好的產(chǎn)品體驗又建立在強大的模型能力之上。

權衡過后，Speak 并未直接自研模型，而是在當時的技術水平下，先推出一款用戶可接受的產(chǎn)品，跑通 PMF，用戶逐漸增長后，Speak 再根據(jù)用戶數(shù)據(jù)微調(diào)自己的模型，形成數(shù)據(jù)飛輪。

起初，Speak 面向全球推出產(chǎn)品做用戶測試，每個市場都有 AI 對話功能，用戶可以選擇一個類別，選擇喜歡的話題和 AI 簡短對話。但試驗發(fā)現(xiàn)效果并不好，用戶基本會在產(chǎn)品發(fā)布 30 天后流失。

這個結局或許并不意外。不同地區(qū)用戶的學習需求、習慣文化背景不同，很難一概而論，而且語言學習市場本就競爭激烈，已經(jīng)有 Duolingo、Babbel 等巨頭占領市場，很難正面 " 硬剛 "。此外，當時的語音識別技術也不足以識別全球各地的語音差異。

在 Andrew Hsu 和 Connor Zwick 苦悶之際，投資人建議先把公司規(guī)模做起來，但二人很警惕這種做法。直到 2023 年 6 月，成立七年的 Speak 也只有 30 多名員工。

最終，他們決定先從單一市場攻破，以便集中精力用有限的資源快速驗證和迭代產(chǎn)品。

2019 年，Speak 正式進軍韓國市場。此前，Speak 進行了一番嚴格的市場調(diào)研。他們租了一個小房間做小規(guī)模的用戶測試，給每一位參與測試的用戶發(fā)一部測試手機，并全程記錄用戶的使用過程。

他們發(fā)現(xiàn)，用戶真正使用產(chǎn)品的時間大多在通勤的時候。抓住通勤時段培養(yǎng)起用戶的學習習慣后，用戶在其他時間也會自然而然用 Speak 產(chǎn)品練習英語口語。

意識到這一點后，Speak 發(fā)現(xiàn)產(chǎn)品的使用量、轉(zhuǎn)化率、留存率都大幅提升，Speak 才算初步跑通了 PMF。但在 Hsu 看來，"PMF 不僅僅是單點的事物，而是一個連續(xù)的過程。你改進 PMF 的程度越大，你的增長速度通常就越快 "。

之后，Speak 不斷更新產(chǎn)品功能和課程內(nèi)容，并不斷優(yōu)化產(chǎn)品的交互設計。" 任何形式的工具提示、用戶教育或功能解釋，都意味著我們的設計還不夠完善。"Connor 認為，應把盡可能減少用戶教育作為一個目標。而 Speak 將這一點做到了極致。

很多語言學習 App 的內(nèi)容會采用算法推薦機制，新用戶進入應用后，通常會做一份簡單的問卷或用戶引導流程，選擇自己的學習動機、想學的內(nèi)容等，算法會根據(jù)用戶反饋給其首頁推薦大量信息。但在 Connor 看來，這些信息并非真正有用。" 過去我們想要獲得有價值的信息都要自己主動去搜索，而那些被推送過來的信息有 99% 都毫無價值，比如垃圾郵件和推送通知。"

因此，Speak 借助 AI 能力打造了一個全新的界面解鎖方式。

在產(chǎn)品首頁，Speak 沒有給任何新用戶引導流程，只有一個簡單的問題：" 你為什么想學英語？" 然后用戶就可按下 " 開始 " 按鈕說話。每個用戶都會用不同的情緒、語音語調(diào)回復不同的答案。Speak 會根據(jù)這些信息為用戶構建個性化體驗。

不過，Connor 曾表示，雖然語音到語音模型效果越來越好，但 " 語音并不總是最佳的人機交互方式，很多時候，打字和點擊圖標是更快捷的方式 "。因此，Speak 試圖探索一種 " 混合界面 "，讓用戶可以在隨時都自由選擇說話還是打字。

同時，為了更好地理解用戶，Speak 在后臺運行時，例如在夜間，模型會利用閑置 GPU 資源分析用戶數(shù)據(jù)，從而解析用戶感興趣的課程，并在第二天的學習中給用戶推送新的課程。在 Connor 看來，" 思維模型 " 真正的價值正在于，即使用戶沒有使用產(chǎn)品，模型也在后臺不斷處理著用戶數(shù)據(jù)，分析用戶需求。這種模式也決定，Speak 的產(chǎn)品迭代依賴于模型有更強的語音識別、理解和生成能力。

2022 年，Speak 遇到 OpenAI，PMF 又有了質(zhì)的飛躍。

綁定 OpenAI，自建 AI 團隊

從 2022 年起，OpenAI 連續(xù)四次投資 Speak。

OpenAI Startup Fund 成立于 2021 年 5 月，已投資數(shù)個 AI 應用項目，包括 Descript、Anysphere、Diagram、Harvey AI、Kick、Mem 和 Speak 等，涉獵 AI 音視頻編輯、AI 編碼工具、AI 產(chǎn)品設計、AI 法律顧問、會計軟件等多個領域的落地應用。其中，Speak 是唯一一個教育類軟件。

對于投資的創(chuàng)業(yè)項目，OpenAI 通常不僅給錢，還給技術。Speak 也不例外。

2023 年 3 月，Speak 先后官宣了和 OpenAI 的三項合作：

3 月 1 日，宣布成為 OpenAI 全新 "Whisper" 模型 API 的首發(fā)合作伙伴。Whisper 有更強的語音識別能力，在處理帶口音的語音以及無縫處理多語言語音（代碼切換）方面的表現(xiàn)更好。

3 月 14 日，宣布其作為早期訪問者，將 GPT-4 接入其 "AI tutor" 中，能讓 AI tutor 實現(xiàn)高度個性化和上下文相關的反饋。同時，GPT-4 能夠生成更高準確度和連貫性的文本，讓用戶和 AI tutor 進行更自然、更有針對性的互動。

3 月 23 日，Speak 宣布與 OpenAI 合作啟動 ChatGPT 插件的 Alpha 版本，用戶可從 ChatGPT 的界面直接訪問 Speak。

但 Speak 并未把全部希望寄托在 OpenAI 上。在和 OpenAI 深度綁定的同時，Speak 也在 2023 年著手搭建了自己的 AI 團隊，開始利用過去幾年從產(chǎn)品上積累的數(shù)據(jù)集微調(diào)自己的語音模型。

2024 年，Speak 在官網(wǎng)博客中宣布升級了核心語音識別系統(tǒng)。

系統(tǒng)升級前，Speak 分別在 iOS 和 Android 系統(tǒng)上運營著不同的 ASR（自動語音識別）系統(tǒng)，還會用自有數(shù)據(jù)訓練端側小模型適配特定型號的移動設備，也會采用第三方語音識別服務。

但長此以往，Speak 便發(fā)現(xiàn)了一些弊端。例如，為了支持比較老的設備，Speak 使用了參數(shù)規(guī)模更小、計算能力較低的模型，對語音識別效果較差；第三方語音識別服務往往也難以識別口音較重的語音，會影響用戶體驗；Speak 必須維護 iOS 和 Android 兩套語音系統(tǒng)，導致 " 事倍功半 "。

而系統(tǒng)升級后，Speak 基于內(nèi)部數(shù)據(jù)集微調(diào)了 Conformer 系列的語音識別模型，該數(shù)據(jù)集包含了用戶數(shù)千小時帶有濃重口音的英語語音音頻。

此外，Connor 認為：" 模型評估非常困難且重要。對于我們的機器學習團隊來說，最重要的可能是評估，特別是對于大型語言模型經(jīng)常執(zhí)行的開放式任務，如果你能夠提煉出完美的評估標準，你基本上就提煉出了你正在優(yōu)化的目標問題。" 因此，Speak 根據(jù)用戶數(shù)據(jù)，構建了自定義測試集，主要評估語音模型根據(jù)音頻轉(zhuǎn)錄單詞的單詞錯誤率（WER）。評估發(fā)現(xiàn)，微調(diào)過后的模型單詞錯誤率比通用模型降低 60% 以上。

內(nèi)部 Speak 測試集上的單詞錯誤率（WER），圖片來源：Speak 官網(wǎng)

目前，Speak 微調(diào)的 Conformer-CTC 模型僅用于英語語音識別，但 Speak 透露，該模型未來也將擴展到西班牙語等其他語言中。此外，Speak 還在開發(fā)超出單詞之外的其他語音和語言模態(tài)（例如，用于發(fā)音反饋的音素）。

在用自有數(shù)據(jù)微調(diào)模型的同時，Speak 依然抓緊每一次與 OpenAI 合作的機會。因為在 Connor 看來，" 語言學習和實時對話練習，是語音到語音技術的最佳用例，因此我們抓住機會與 OpenAI 合作，并將這項技術深度嵌入我們的核心體驗中。" 博客寫道。

2024 年 10 月 1 日，Speak 又與 OpenAI 合作測試了 GPT-4o 的實時 API，推出 Live Roleplays，使用戶能夠在各種角色扮演情境中進行沉浸式、逼真的口語練習。借助 GPT-4o 上的實時 API，Speak 的 AI tutor 可以像人類教室一樣快速或更快地響應，并能夠理解并提供關于語音各方面的反饋，而不僅僅是純文本轉(zhuǎn)錄，如語調(diào)、發(fā)音、韻律等。

不過，Speak 在博客中寫道，語音到語音模型的指令跟隨能力仍然不如文本模型，目前還不擅長更細致的語言學習特定任務，如發(fā)音指導和反饋。

語言學習界最懂 AI 的公司

2024 年 12 月，Speak 宣布完成 7800 萬美金 C 輪融資，由 Accel 領投，OpenAI Startup Fund、Khosla Ventures 和 Y Combinator 等跟投。本輪投后估值 10 億美元，Speak 也被看作大模型浪潮中第一家真正以 C 端應用立足的獨角獸。

除獲得資本青睞外，Speak 的產(chǎn)品表現(xiàn)也得到市場認可。據(jù) " 投資實習所 " 的信息，截止 2024 年 12 月，Speak 的 ARR 已經(jīng)接近 5000 萬美元，年增長率達到 100%。

Speak 主要的商業(yè)收入都來自 C 端，沒有免費版本，只為用戶提供七天免費試用，之后就按月或按年收費，收費標準分為 2 檔：

Premium 計劃：$99.99/ 年，每月 2000 個 AI tutor 積分；

Premium plus 計劃：$234.99/ 年，每月 10000 個 AI tutor 積分。

（AI tutor 積分對應的是用戶和 AI Tutor 的對話字數(shù)，每和 AI 對話一個詞即 1 積分。）

在 Speak 的實際測試中，2000 家教積分學習 5 天就能消耗完，這也意味著對于有固定學習習慣的用戶而言，Premium Plus 方案更劃算。

2024 年，Speak 也開始拓展 to B 業(yè)務。Speak for Business 可以練習特定的商務對話，例如與供應商和客戶的專業(yè)討論等。目前，Speak for Business 擁有超過 200 個客戶，員工采用率為 85%。

Speak 為何能在一眾語言學習市場激烈的競爭中脫穎而出？答案或許就是 " 聚焦 " 二字。

Speak 自創(chuàng)立之初的目標就很聚焦，圍繞 " 啞巴英語 " 這個核心痛點打造產(chǎn)品體驗，并一直堅持產(chǎn)品導向的思路，持續(xù)迭代 PMF。最近的訪談中，Connor 表示 Speak 一直非常注重課程內(nèi)容，現(xiàn)在內(nèi)部仍會對 AI tutor 的課程內(nèi)容進行 A/B test。

同時，兩位創(chuàng)始人很清楚，其產(chǎn)品體驗的迭代很大程度上依賴于底層 AI 模型的能力。因此，在 OpenAI 強勢爆發(fā)后，Speak 主動擁抱大模型。找到 OpenAI 這個強勢的合作伙伴后，Speak 也并未在 AI 的火爆中迷失方向，盲目高估模型的能力，而是組建自己的 AI 團隊，利用多年積累的用戶數(shù)據(jù)微調(diào)語音模型，升級語音識別系統(tǒng)，繼續(xù)迭代產(chǎn)品功能。

套用近兩年很時髦的概念，Speak 是一個更加 "AI 原生 " 的產(chǎn)品。相比其他語言學習應用，Speak 更像一家技術公司。按對話積分消耗收費的模式，也和大模型按 token 消耗量計費的模式很相似，甚至營銷文案也相應調(diào)整為類似 "20 分鐘內(nèi)說 100 句話 " 的口號。

同時，為了在單一市場打造最佳產(chǎn)品體驗，Speak 也十分注重產(chǎn)品設計和營銷手段的本地化。在正式進入韓國市場前，Speak 做了充分的市場調(diào)研，并在后期搭建了一個世界級的本地營銷團隊，根據(jù)韓國市場的用戶特點定制相應的營銷策略，創(chuàng)建了一個獨特的品牌形象。

Andrew Hsu 曾透露，截止 2024 年 12 月，Speak 應用的下載量已超過 1000 萬次， 每位用戶每天的使用時間約為 10-20 分鐘。

目前，Speak 正在將韓國市場的成功經(jīng)驗逐漸帶到其他市場進行驗證。2022 年底，Speak 開始開拓日本市場；2024 年下半年，Speak 在中國臺灣市場的收入開始快速增長。

不過，Speak 目前主要活躍在不以英語為母語的市場。相比之下，歐美等以英語為母語的市場則由 Duolingo、Babbel 等老牌語言學習軟件占領；微軟、谷歌等大廠也對語言學習應用虎視眈眈，真正激烈的競爭風暴或許還沒有到來。

來源：創(chuàng)業(yè)邦