做AI应用像卖奶茶：闪电说团队两年踩坑实录，毫无保留，真诚分享！

直播结束，很多朋友觉得内容很好，让AI快速写一篇文章总结。

大家提问犀利，嘉宾回答的坦诚，回放在WayToAGI「未来硅世界」栏目。

两年时间，余猛和龚震的团队做了什么？

从全天候录音项链，到3D打印的硬件，再到今天你能用上的闪电说语音输入法。

他们在AI应用这条路上，几乎把能踩的坑都踩了一遍。

但最让人意外的不是产品本身，而是龚震说出的那句话：“做AI应用，本质上就是在卖token，跟深圳兄弟做跨境电商没什么区别。”

这场两小时的访谈里，两位创始人把AI创业这件事，拆得比想象中更透彻。

从记忆到语音：一条看似曲折实则清晰的线

余猛23岁时，随手做了个百万用户的产品。

这听起来有点凡尔赛，但他自己的评价是：“我还觉得百万级产品很小，然后就去转型做其他东西，结果搞得一团糟。”

移动互联网那一波没拿到满意结果，到了AI时代，他给自己定了个规矩：一定要找到长期方向。

2023年，ChatGPT火了之后，余猛开始思考一个问题：大模型时代，真正的差异化在哪里？

计算是通用的，模型结构全球能参与创新的可能就一百来人。

剩下的，只有数据。

ChatGPT拥有全世界的数据，但有没有可能做一个了解”你”的AI？

这个想法听起来很大，但余猛的切入点很具体：记忆。

他在2017年就做过一个叫”闪记”的小工具，用服务号做了个基于规则的记忆助手。

你可以记手机号、邮箱、朋友生日，虽然很蠢，但他自己用了好几年。

有了这个底子，2023年他决定做”记忆相关的事情”，最终希望演变成个人模型。

第一次尝试：对话式记忆助手

在手机上做一个用AI当界面的记忆工具，记To-do、记大姨妈、记生日，所有东西都用对话输入完成。

结果发现两个问题：

• 成本太高，调用GPT-4每个月单人成本10美金，人家记大姨妈的APP都是免费的，成本核算下来跑不动

• 频次太低，本质上没有人喜欢记东西，这是反人性的

第二次尝试：全天候录音

既然主动记录不行，那就被动记录。

他们做了电脑客户端，配合录音笔，自动采集你一天所有的声音素材。

余猛第一天录了5万字素材，做数据分析时觉得信息量巨大。

然后又觉得每天跟电脑传输太麻烦，就做了手机APP。

再觉得项链在冬天穿羽绒服时很蠢，就改成耳夹式耳机。

最后把门槛降到最低：装个APP，用任何耳机都能变成全天候记录设备。

但最严重的问题暴露了：拿到全天候声音之后，今天的AI根本没法充分利用。

打呼噜需要专门的AI分析，咳嗽需要医疗能力，情绪识别又是另一套。

这是个生态问题，不是他们能跨越的鸿沟。

第三次尝试：会议记录

他们意识到会议场景是PMF的，用端侧技术可以做免费工具。

但就在这时，他们发现了更大的机会。

转折点：从AI编程里找到的真需求

2025年初，Claude Code发布。

余猛和团队从早用到晚，然后发现：语音编程太爽了。

这个发现改变了一切。

他们把过去做端侧语音识别的技术，加上对端侧模型的理解，做出了闪电说的demo，输入体验直接提升。

给朋友用，大家日常办公输入都用起来了。

龚震的视角更直接。

他从Monica离开后，一直在思考一个问题：怎么拿到更多的context（上下文）？

浏览器插件为什么在AI时代复活？因为能拿到web端的context，但浏览器插件天花板太低。

他把context分成两类：

• 存量context：相册里的图片、笔记里的文字

• 增量context：今天我们聊的这些话，如果没被记录，就永远不存在

语音，是最自然的增量context入口。

而且从2024年开始，端侧语音识别技术已经成熟了。

更关键的是，龚震自己在用Vibe Coding时，深刻感受到打字对他的限制。

他是个产品经理，2025年之前完全不会编程，今年开始用Cursor生成代码，到四五月份用Claude Code跑编程任务，发现自己被打字速度卡住了。

用Wispr Flow，等两三秒太痛苦。

自己做了个纯端侧小工具，感觉又被解放了一次。

然后他意识到：这是个频次又高又刚需，而且随着人跟AI沟通越来越多，渗透率会越来越高的东西。

为什么是现在？Agent改变了交互界面

很多人问：AI能力发展很久了，为什么语音输入法是2025年才集中爆发？

余猛的回答很清楚：因为Agent。

以前在手机上，他早就会用语音输入。

但在电脑上用语音输入，是2025年才发生的事。

原因是他大量使用Claude Code。

Agent带来的界面变化，让语音输入有了巨大的增量空间。

Agent的聪明程度和对信息的消耗速度，远远超过了人类的输入速度，编程和写作场景都在等输入。

你可以不断给它发消息，它就能完成更多工作。

但人跟不上，打字比语音已经慢4倍了，还是不够。

每当一个Agent品类诞生，这个池子就变大一次。

编程的Agent出现，程序员开始”口喷编程”，这已经成为亚文化。

设计师开始用设计Agent，也开始这样做。

做动画、做视频的，也在用Agent。

余猛的判断是：2025年一年，可能有几千万用户已经知道，甚至想尝试语音输入了。

龚震补充了另一个角度：你使用这个输入法的对象，不是在帮人和人交流，而是人和机器交流。

余猛自己的感受是：他跟机器说话应该比跟人多。

程序员更是如此，他们本来跟人说话就不多，现在大量时间在跟AI对话。

创业这件事：没有方法论，只有长期方向

余猛从来没上过班。

这听起来很羡慕，但他说得很实在：最痛苦的事情是不知道做什么。

他在移动互联网做过百万级产品，但没有长期方向，很混乱。

到了AI时代，他给自己的要求是：一定要找到长期方向。

他的选择是：收敛到一个大方向，然后在里面做暴力破解。

从2024年1月到现在，他们就没做过和声音无关的事情。

和声音相关的所有产品、所有需求，他基本都知道。

做这个不做那个，有些能做有些做不了，脑子里每天都在复利。

以前做的没成功的想法，现在发现又能连上了。

他的建议是：不用着急，多花点时间看外部变化和认识自己，有了大方向之后，收敛起来会有复利。

“我确实不擅长机会型的做东西，但我愿意花足够多时间在一个方向上探索，像蜗牛一样一天天做。做到一定程度就成专家了，结果就慢慢浮现了。”

2025年，他们PMF了两个产品，都能挣钱，但选了闪电说。

关于创业，他还说了一句很重要的话：“创新本质上是用新的方法成功，所以我觉得是没有什么方法论的。”

所有方法论都要被质疑。

他在移动互联网的经验，到AI时代一出手就错了，一开始就想做手机端，回头看两年，很多产品都是PC端的。

经验很难简单适用，真正重要的是新的思想、新的方法。

龚震的补充：大厂教不会你创业

龚震在滴滴国际化和字节番茄小说待过，2023年初离开大厂加入Monica。

他的结论很直接：“在大厂工作是学不会创业的。”

这话可能不好听，但他解释得很清楚：

大厂怎么挣钱，你可以了解，但那套方法你学不会。

你不是在大厂里做一个挣钱的机器，你只是机器里的一部分。

了解了挣钱模式之后，发现它也是由小长大的，对你怎么挣到第一个100万，意义不大。

当然，有人能在大厂搞资源变现，那是另一条路。

但从产品角度，大厂经验很难帮上你。

他自己的创业idea和赚钱idea，有一个很简单的方法：多看GitHub上高赞的项目。

前段时间有两个项目反复登上GitHub日榜第一，一个做舆情分析，一个做信息tracking。

真实情况是：一个哥们几乎100%用Claude coding做的，另一个一大半也是。

背后代表的是两类非常明确的需求。

比如做股票交易的人，需要筛选更精准更细的信息。

另一个方法是：看到所有热点和关键词，都拿工具查一下有没有人关注和搜索。

简单的微信指数就行。

一个被人反复搜的东西，一定有价值。

然后看那个词下面的列表，有没有人靠这个挣钱。

如果有人挣钱，再看能不能产品化。

可能80%的东西不能产品化，由人提供服务。但如果能产品化或内容化，就是很好的生意。

技术壁垒在哪里？消费品逻辑

很多AI创业者关心的问题：模型不是自己的，技术壁垒在哪里？

余猛说，他也给自己提过这个问题，但还没有得到充分性的答案。

他看到有大佬分享：有一天竞争壁垒就是你活过来了，谁走到最后，回头一看这些东西才是你的壁垒。

他自己的理解是：今天的AI应用有消费品的属性。

核心的大模型技术都是采购的，结合某个场景的独特判断，有点像消费品逻辑。

奶茶这么多人做，但还有这么多需求。

“我觉得可以把它当做一个AI的消费品，但做了之后一定可以形成技术壁垒。”

比如在语音输入场景，体验不够好了，你可能要用RL训练方式，针对这个场景做体验升级，那就是有壁垒的事情。

“这仍然是一个长期过程，我暂时回答不了我们怎么构建出绝对别人没有的东西。”

龚震的角度更直接：“做AI应用，跟深圳兄弟做跨境电商没什么区别。”

你需要找到海外市场空白，然后看有没有便宜好用的方法生产一个产品解决问题。

这个东西可以是便宜的小裙子，也可以是AI产品。

“你难道真的去开个厂吗？不会的，你就是去广东拿货，然后卖出去。今天不就是找OpenAI拿货，找GPT拿货，然后包装好卖出去吗？”

渠道能力、产品能力都很重要，但它是个消费者生意。

增长策略：Monica的经验能复制吗？

龚震在Monica负责增长和商业化，把产品从0做到1000万美金ARR。

他总结的增长经验，核心就一句话：大家都在用的招，就是最好用的招。

不要想奇淫巧技，奇淫巧技是你在业务过程中，根据对用户和产品的理解迸发出来的，不能作为日常探索所需。

第一阶段：网红营销

想明白什么阶段，什么是最好的渠道。

如果你的产品已经被验证PMF了，比如语音输入在海外已经被Wispr Flow验证过，那就可以排除社区、免费增长这些，直接想有没有网红营销的渠道。

网红营销的核心在于：网红背后代表的是一个用户群体。

你能搞明白你的用户群体是谁，就能找到合适的网红，获得最高效率。

龚震跟踪了Wispr Flow很久，发现他们在2024年6月之前只投写字人群：自媒体写作、记者这些。

到9月之后开始大量投Vibe Coding人群。

“我就很清楚了，Vibe Coding有增量了，所以找Vibe Coding的网红，这个题就解了。”

而且不用找大网红，大网红很贵。

Agency（代理商）一定会跟你说要找10万、20万、50万粉丝的网红。

但如果你的产品PMF了，应该尽量去找100个小KOL，每个给几百几千。

“最后可能跑出来一条爆款，就把买20条的钱赚回来了。”

找大网红，一条不爆净亏10万美金，一条爆了赚回来5万，这个体验很坏。

Monica最开始在YouTube台湾跑得很好，原因有两个：

• 团队国际化不成熟，台湾文案做得好，而且台湾UI受大陆影响大，适应性高

• Monica是PC端产品，YouTube在PC端转化率高

如果在TikTok做网红营销，用户看到了要记住这个词，三四个小时后跑去电脑搜，转化率太低，更偏种草。

但YouTube上，看到Monica直接点一下，跳到官网或Chrome商店，有转化流程在里面。

第二阶段：内生增长机制

真正要破圈，有很好的自然传播，酷的属性和好玩性很重要。

这是张小龙说的，早期厉害的产品，新潮、酷、有趣很重要。

Monica移动端从一个月1万刀收入到10万刀，就是因为一个很火的东西叫”AI嘲讽”。

把你的profile（个人资料）全部读一遍，给你一个很嘲讽的评论。

靠这个东西，移动端收入涨了10倍。

Monica前3个月是酷的，但这个酷在3个月后消散了。

真正好玩的地方落在移动端的转化上。

爆发性增长，真的很大程度来自于好玩和酷。

第三阶段：SEO和投放

剩下的是基本功。

SEO很重要，GEO（领域专长）很重要。

Google不会骗你，你很有用它就往前排，你被很多人推崇它就往前排。

投放也很重要，但找到对的人、熟练的人，不要怕花钱。

很多时候找agency找外包是为了学习，不是为了一直把活交给别人。

“我们都是最开始找SEO专家外包，跟他学，学完发现我们也能做。找投放专家跟他学，学完发现也能自己做。”

你自己摸可能无数时间无数钱，但别人教你可能只需要付几万十几万，你就大差不差了。

这才是真正的认知，节约时间和成本的方法。

这些活在什么阶段用？

网红营销边际见顶的时候，RY（投资回报率）不是很高的时候，赶紧把投放、SEO上来，做个交替。

闪电说的出海策略

闪电说的策略很简单：我们是免费的Wispr Flow。

在一个Wispr Flow已经花了几千万美金教育过的市场，最简单粗暴的策略就是告诉大家我们免费。

这能快速帮你拿量。

而且做免费竞争策略，你也是做商业化的，最后还是会有有钱人进来。

有钱人也会倾向于先找个免费的试试，这个心态很自然。

第一阶段增长就完成了：在网红营销的大喇叭里，把”我是免费Wispr Flow”这件事告诉大家。

然后进入正地单阶段，扎实做SEO、做投放。

差异化上，他们想猛猛去讲AI输入agent的体验，因为Wispr Flow还没做。

有趣性上，他们找到了一些场景，比如用户需要在游戏里喷人，打字喷有点慢，用闪电说喷可能快一点，再加上AI体验，能喷得更猛一点。

龚震总结：正常的常规化增长靠战术体系，差异化的增长靠差异化的产品定位和有趣性。

商业化：token分销的本质

很多人关心：怎么赚钱？

龚震的回答很直接：本质是做token分销。

token分销的本质在于赚有钱人的钱。

他分享了一个数据：闪电说的AI纠错开关开启率大概50%，真正用上API key的人不到20%。

这30%是有付费意愿但没被转化的人，最有钱的前3%到5%会被转化。

一定是可以商业化的，只是中国客单价更低，商业化效率更低，海外T0国家客单价更高，商业化效率更高。

有了客单价，就知道买不买得起当地的量了。

买得起，就进入增长的无限循环。

买不起，就得再叠功能，做更多付费点，把商业化做高。

关于ROI（投资回报率），龚震说：留存和商业化是兑换币。

你做的所有决策都是增加留存损商业化，或者增加商业化损留存。

每次都是找一个能损一定留存，但获得最大商业化的方法。

比如在某个地区做更好的方言模型，花多少钱，能提高多少留存，多长时间能把钱挣回来。

有数据就能算出来，算不正就不做。

不好算的是：你究竟能不能PMF，以及在不同国家的付费群体究竟有多大，这个得做了才知道。

一个让人意外的数据：只要不是特别奇怪的产品，人均70%的毛利。

龚震说：“所以我们说它是消费品，你就是在卖奶茶。“

付费习惯：中国和海外的差异

关于中国和海外的付费差异，龚震给了很具体的数据：

台湾大to C产品的付费率是3%到5%，中国做得很屌可能2%到3%，正常情况1%到2%。

而且一定是PMF的产品。

美国能直接干到5%到7%。

他举了个例子：纯做美国市场的拍照答题产品，能做到ARR 10万美金每个月。

做全球市场，印度老哥多一点的，只能做到1万美金一个月。

用户群体都是学生，最不愿意付费的人，但因为选的区域和国家不同，就有这么大差距。

关于中国人的付费习惯，龚震说：“不是中国人付费习惯差，是经济发展水平没到。但中国有钱人还是很多，做高客单价产品也没问题。”

另一个差异是：中国人更喜欢买内容和买实物，买一个能到手的东西。

这个会显著高于其他国家。

“送所有礼品里，送麦克风效果最好。你给他200块钱，不如给他一个200块钱的麦克风。”

做活动裂变的时候，麦克风效果最好，比送会员卡好无数倍。

关于硬件，龚震说：做国内硬件可能只能做1.5倍利润，因为有小米。做海外硬件可以做到3到5倍利润，因为没有人跟你打。

就算做硬件也是海外更好做，还是经济水平的问题。

准确率：端侧的极限在哪里

很多人关心语音输入的准确率。

龚震的判断是：主流语言基本都卡在90%上下了。

阿里的SenseVoice标准测评是90多，Wispr Flow在多语言上表现好一点，但在中文上甚至没有SenseVoice好。

Wispr Flow是个比SenseVoice大10倍以上的模型，所以只能在云端跑。

大家更多是在转降噪，因为稍微降噪一点点，准确率就会好很多。

但在大模型上，目前大家也没什么好转的。

龚震的判断是：接下来的机会在方言模型。

你有了足够的语言模型，又构建了语音输入法的商业模式，转方言模型的ROI就打正了。

你可以在中文体系下转到99%准确率，均值是99%，但对江西话来说，可能从30%一下干到80%。

你转到了方言，覆盖了更多人群，这群人留存更好，商业化更好。

如果不转到语音模型这一层，就到这了。

转到语音模型这一层，大概是语音输入法公司在转。

他们请教了国内做语音模型训练的头部专家，测算发现训一个模型大概200万，大部分训练成本在数据采集上。

比大模型看起来更像是创业公司能碰的东西。

如果商业化顺利，一年能赚千万级ARR美金，就能去训比较大语种的方言模型了。

这里会有进一步准确率的暴增。

比如他爸妈普通话比他差，可能更用不上，但他们可能是更需要的用户，因为不太会拼音，打字都不方便。

从国际化视角看，东南亚有大几亿人口，被主流英语社会和语音训练厂商歧视了，没有人去训练东南亚语音模型，这类语音识别任务的测试成绩普遍很差。

训了也没收益，ROI打不正。

但总有人得去做这个事。

产品体验：快比准更重要

关于产品设置，余猛和龚震都推荐用更聪明的模型，智能效果会明显提升。

余猛更喜欢”自由说”模式：按一下说话，再按一下结束。

后面希望做成：长按呼唤AI，短按直接语音输入。

龚震的习惯是：只用一个键，总是开AI纠错，但把异步纠错打开。

体验是：按一下说话，如果是跟AI说的，直接点发送。如果是跟人说的，等一等AI纠错。

开了异步之后，转写是马上出的，几毫秒。AI纠错后面慢一点，两三秒。

所以他更倾向用更聪明但时间更久的模型，比如GPT-4o、4.7。

在润色方面要求多一点，比如希望分行分点，它就直接干好了，不用再搞一遍。

关于流式实时翻译，他们做了取舍。

流式是第一个字就开始输出，更快，但问题是：你不断说话，字会不断变，因为有不断纠错，文档输出的稳定性差。

他们希望大家不要被文字输入结果干扰。

如果是为了解决安全感问题（说了5分钟一直没出字会害怕），分段出就好了，每5秒每10秒分一段。

但流式的话，每个字不停出，每个字不停变，你看着那个字，接下来说话会受干扰。

而且在AI纠错上，拿到完整文本去做翻译和纠错更容易，只拿到一部分更难。

今天兼容下来是这么个体验，但一定会有更好的解决方案。

关于使用场景，龚震分享了用户数据：

最高频最猛的还是AI coding和AI chat。

这也是他们能启动的原因，受了用户指向性影响。

往下降级：做大量文字工作的人也很猛，比如网文作者、自媒体作者。

再往下细分，看到一些职业特征：

• 医生：写病历需求，很多老医生不太会用键盘、不太会拼音

• 律师：大量文案工作和客户沟通需求

• 老师：教案和备课需求

这几类频次没那么高，但也是周几次活的水平。

最高频的可能几乎都是日活。

有个让人意外的场景：用户需要在游戏里喷人，打字喷有点慢，用闪电说喷快一点。

记忆：长期的野心

虽然现在做的是语音输入法，但余猛和龚震的长期目标很清楚：个人模型。

余猛说：“我们确实是奔着这个事去的，做个人的记忆。”

他有个初心：提供一个工具，给大家一个选择，可以让大家控制自己的数据，拥有自己的数据。

这个事和大公司的商业模式有冲突。

很多大公司卖广告，这是他们很难割舍的。

余猛觉得世界上有这么一群人，在意自己的数据。

这个想法和AI生态、新需求，好像有新的构建秩序的机会。

他相信的未来是：以后可能有一个技术，你的数据在本地，你有一个本地的10B模型，能干好管理你的记忆、管理你的上下文。

你的记忆都在这儿，当你需要调用的时候，才会暴露一部分跟云端AI沟通。

“这是一个非常好的方向，跟我们现在做闪电说本质上是冲着那个地方去的。”

他想象中的个人模型，可以直接帮你和其他AI沟通。

今天可能还要自己说，以后可能只要跟闪电说说”我要买鞋子”，它基于你的记忆直接生成描述，发给所有购物agent。

“我虽然没做任何购物agent，但我可以跟他们协作。”

他们的想法是：用这样的角色参与进去。

龚震补充：语音输入法是最前置的环节，可能除了真正把脑子挖出来，这是更好的构建记忆的方式。

社交媒体发言、写的文档，都是经过加工的，基于某种目的输出给别人看的。

但语音输入这个环节更前置，更能代表真实想法。

最后：给AI创业者的建议

两个小时访谈，余猛和龚震把很多东西讲得很透。

如果要总结几条给AI创业者的建议：

1. 找到长期方向，然后暴力破解

不要为了创业而创业，一定是自己感兴趣的，哪怕不赚钱也愿意做的事情。

收敛到一个大方向，在里面做足够多探索，每天都在复利。

2. 把AI应用当消费品来做

技术壁垒暂时回答不了，但消费品逻辑是清晰的。

找到市场空白，用便宜好用的方法生产产品，包装好卖出去。

3. 增长没有奇淫巧技

大家都在用的招，就是最好用的招。

网红营销、SEO、投放，找到对的人学习，不要怕花钱。

4. 出海优先选T0国家

不是中国人付费习惯差，是经济水平差异。

美国付费率能到5%到7%，中国1%到2%，而且客单价差距更大。

5. 商业化本质是赚有钱人的钱

5%的有钱人付费，70%的毛利，覆盖100%的人的成本和推广成本。

算账算得正，就能进入增长循环。

6. 创业给自己足够长的时间

没有任何一个人出来创业一年就要做出什么成果，这是不可能的。

最痛苦的是不知道做什么，找到方向之后，剩下的是耐心。

余猛说：“除非我确实没有能力做了，那我才会放弃，不然我会一直坚持下去。”

他相信自己未来10年还会继续做AI应用，运气好做大一点，运气不好做小一点，可能只是养活自己。

但他会一直做下去。

这可能是这场访谈最打动人的地方。

不是那些增长数据，不是那些商业化策略，而是两个人对长期的笃定，对方向的坚持，对做产品这件事本身的热爱。

AI应用这条路，可能真的像卖奶茶一样，是个消费品生意。

但能把奶茶卖好的人，靠的从来不只是配方。

原文信息

作者：向阳乔木（@vista8），AI 博主

原文地址：