AI播客贾维斯：用户需求洞察与产品设计框架

丽丽

大家好，欢迎收看今天的采访。我是丽丽，今天非常荣幸请到了AI播客平台贾维斯的创始人捷克马。捷克马，你好！

捷克马

丽丽，你好！大家好，我是捷克马，非常高兴今天能和大家分享贾维斯的设计理念和背后的技术实现。

丽丽

首先，能不能请你介绍一下贾维斯的用户需求洞察？你们是如何确定这些目标用户群体的？

捷克马

当然可以。我们在市场调研中发现，用户对播客的需求越来越多样化。通勤用户希望高效利用碎片化时间，深度学习者需要更系统的学习资源，内容创作者则希望快速生成灵感，而时间敏感型用户则希望快速获取核心内容。这些需求促使我们设计了贾维斯，一个能够满足各种用户需求的AI交互播客平台。

丽丽

那么，贾维斯是如何解决这些用户的核心痛点的？比如被动收听与主动交互的问题。

捷克马

贾维斯的核心在于实时语音交互层。用户可以通过语音命令随时提问、跳转或延展内容。例如，用户在听播客时突然想了解某个术语的定义，贾维斯会立即解析并给出答案，同时关联用户已学的知识，帮助他们更好地理解。这样，用户不再只是被动接收信息，而是可以主动参与和互动。

丽丽

接下来，我们聊聊贾维斯的产品定位与核心价值。贾维斯被称作‘你的主动式知识伙伴’，这个定位具体是如何体现的？

捷克马

贾维斯的目标是让用户在与AI的交互中获得个性化的学习和娱乐体验。我们通过语音交互实现了从被动听到主动对话的转变。此外，AI主播会根据用户的知识水平、兴趣偏好和语言风格自动适配，提供千人千面的播客体验。用户还可以与AI协作生成新的内容，如摘要、脑图和衍生讨论，进一步丰富他们的学习和创作过程。

丽丽

听起来非常棒！那么，你们是如何设计这些核心功能的？特别是实时语音交互层。

捷克马

实时语音交互层是我们技术的核心。我们采用了低延迟语音识别技术，优化了端侧ASR模型，确保用户的问题能够被迅速解析。同时，我们使用流式LLM响应技术，如GPT-4 Turbo 128k上下文窗口，来生成即时回答。这样，用户可以在播客播放过程中随时提问，AI主播会立即给出回应。

丽丽

个性化AI主播引擎听起来也非常有特色。你能具体介绍一下它的实现方式吗？比如用户如何选择主播风格，AI又是如何自适应演进的？

捷克马

个性化AI主播引擎允许用户选择不同的主播风格，如‘罗振宇式串联讲解’或‘樊登式拆书逻辑’。用户的选择会影响AI主播的讲解方式和语言风格。此外，AI主播会根据用户的交互数据动态调整自己的表现。例如，如果用户多次追问某个概念，AI会自动补充更多的基础知识，以帮助用户更好地理解。我们还使用了LoRA微调技术，使AI能够快速适配用户风格。

丽丽

那如果用户对某个概念仍感到困惑，AI主播会如何进一步帮助他们？

捷克马

AI主播会根据用户的反馈和提问，进一步解释和延展相关概念。如果用户多次表示对某个概念不理解，AI主播会自动提供更详细的基础知识讲解，甚至生成相关的图表和脑图，帮助用户更好地消化和理解。

丽丽

我们再来聊聊内容生成工坊。贾维斯是如何帮助用户生成结构化内容的？比如摘要和衍生讨论。

捷克马

内容生成工坊是贾维斯的另一大亮点。用户可以通过语音指令生成播客内容的摘要，系统会自动标记用户已掌握的部分和建议学习的部分。此外，用户还可以用播客内容为基点，生成自己的观点框架或进行衍生讨论。例如，用户可以要求AI用某个理论分析当前的新能源汽车市场，AI会生成结构化的观点框架，帮助用户理清思路。

丽丽

这个功能对内容创作者来说确实非常有用。那么，贾维斯是如何帮助他们降低创作门槛的？

捷克马

我们提供了一键生成分享卡片的功能，用户可以将与AI的对话精华分享给其他人。此外，内容生成工坊还支持用户快速生成结构化的观点框架，帮助他们整理思路和创作内容。通过这些工具，用户可以更容易地将自己的想法转化为高质量的内容，降低了创作的门槛。

丽丽

数据驱动的推荐系统在贾维斯中起着重要作用。你能详细介绍一下它的三层推荐逻辑吗？

捷克马

我们的推荐系统分为短期偏好、中期兴趣和长期目标三个层级。短期偏好是基于用户实时交互记录，如他们反复跳过的主题，我们会自动减少推荐这类内容。中期兴趣则根据用户主动保存或分享的内容，增加相关领域的推荐。长期目标则是用户设定的学习目标，如‘三个月入门经济学’，我们会推荐相关的播客并标注知识图谱节点，帮助用户系统学习。

丽丽

这个推荐系统听起来非常智能。那么，你们如何确保推荐的准确性？

捷克马

我们通过大量的用户数据和机器学习算法来不断优化推荐模型。例如，我们会记录用户与AI的每一次交互，分析他们的反馈和行为模式。这些数据帮助我们更准确地理解用户的需求和兴趣，从而提供更个性化的推荐。

丽丽

贾维斯的关键技术实现路径是什么？你提到了低延迟语音识别和多模态处理，能具体解释一下吗？

捷克马

贾维斯的关键技术包括低延迟语音识别和多模态处理。低延迟语音识别通过优化端侧ASR模型，确保用户的问题能够被迅速解析。多模态处理则允许我们分离播客音频中的人声和背景音，并自动将关键片段视觉化，如生成概念图。此外，我们还使用了NLP技术来提取实体、观点和逻辑关系，构建动态知识图谱，帮助用户更好地理解和延展内容。

丽丽

多模态处理在实际应用中有哪些具体的例子？

捷克马

举个例子，如果用户在听一段关于‘量子计算’的播客时，希望看到相关的概念图，AI会自动调用DALL·E 3生成一张详细的图表，并通过语音描述该图表。用户可以选择是否进一步展开讨论，这样多模态处理不仅能帮助用户更直观地理解内容，还能提供更丰富的学习体验。

丽丽

贾维斯的商业模式和壁垒是什么？你们是如何实现盈利的？

捷克马

贾维斯的商业模式主要包括B2C和B2B两个层面。B2C层我们采用订阅制，基础版免费，Pro版解锁高级AI主播和生成功能。用户生成的高质量衍生内容也可以售卖给其他用户，我们从中分润。B2B层则是与企业合作，提供定制版的AI主播服务，如得到APP接入贾维斯引擎，以提升课程体验。我们的竞争壁垒在于交互深度、数据飞轮和创作者生态。

丽丽

交互深度和数据飞轮是如何构建的？

捷克马

交互深度是指我们实现了全链路的交互，不仅仅是生成摘要，还包括实时问答、内容控制和深度追问。数据飞轮则通过用户与AI的每一次对话数据来不断优化个性化模型，形成一个正向的反馈循环。用户越多，数据越丰富，模型越准确，用户体验越好。

丽丽

贾维斯在发展过程中面临哪些主要风险？你们是如何应对这些风险的？

捷克马

贾维斯面临的主要风险包括版权问题、信息过载和技术边界。为应对版权问题，我们初期只对接已获授权的播客内容，并通过DRM检测用户上传的内容。信息过载方面，我们设计了‘专注模式’和‘探索模式’，帮助用户根据需求选择合适的交互方式。技术边界方面，我们会明确AI的能力范围，并在回答中注明‘以下回答基于播客内容，如需学术严谨性建议查阅论文’等提示。

丽丽

这些措施听起来非常全面。那么，你们是如何确保用户在使用AI生成的内容时不会感到信息过载？

捷克马

我们设计了‘专注模式’和‘探索模式’两种交互方式。‘专注模式’下，AI仅响应用户的关键问题，帮助他们快速获取核心信息。‘探索模式’则允许用户更自由地提问和讨论，享受更丰富的学习体验。通过这两种模式，用户可以根据自己的需求选择最适合的交互方式，避免信息过载。

丽丽

最后，我们来聊聊贾维斯的MVP验证路径。你们是如何进行初步测试和迭代的？

捷克马

我们的MVP验证路径分为Day 1原型和Phase 1迭代两个阶段。在Day 1原型阶段，我们选择了一期《商业WHY酱》播客作为试点，邀请了10个种子用户测试核心交互功能。我们的核心指标是用户在单次收听中主动交互的次数，目标是超过3次。在Phase 1迭代阶段，我们增加了‘AI生成内容分享率’的考核，目标是超过15%的用户主动使用创作功能。通过这些测试和迭代，我们不断优化产品，提升用户体验。

丽丽

那么，你们在冷启动策略中有哪些具体的措施？

捷克马

冷启动策略主要包括与知识付费IP的合作，提供AI增值服务。例如，购买《XX课程》的用户可以获得贾维斯解析版的内容。这样不仅吸引了首批用户，还通过高质量的内容增强了用户对平台的信任感。此外，我们还积极与播客创作者合作，提供工具和资源，降低创作门槛，吸引更多的长尾创作者加入我们的生态。

丽丽

感谢捷克马今天与我们分享贾维斯的设计理念和技术实现路径。贾维斯不仅重新定义了播客的消费方式，还为用户带来了更多个性化和互动的学习体验。希望贾维斯在未来能够取得更大的成功，为更多的用户带来价值。

捷克马

谢谢丽丽，也感谢大家的关注和支持。我们会继续努力，不断提升贾维斯的功能和用户体验。希望贾维斯能成为大家的知识伙伴，陪伴你们的学习和创作之旅。