AI 陪伴到底要烧多少钱
AI 陪伴经济模型的商业概念插画
Mio v1 的账一直没算平过。之前做成本审计的时候查出来，自拍生成的实际单价比我预想的贵了两个数量级。记忆后台跑在 Gemini Pro 上，每个用户每个月都要固定花掉一笔不小的钱。我在 v0.2.0 设计过五级定价，想靠限制自拍配额把利润扳回来。现在回头看，那个方向本身就不对，因为最吃预算的那几个功能，恰好就是让产品显得假的地方。等于一直在花钱养着一堆本来就该砍掉的东西。
转向之后，假自拍、虚构日程、编造的人设背景全砍了。形象换成一个跳动的光球，不再演一个假人。角色扮演也不搞了，就靠对话本身，靠它怎么回你、记不记得你、说话有没有温度，跟用户处出关系来。产品形态变了，经济模型也得跟着重算。这篇就把 v2 的账摊开算一遍，定价怎么定的，成本怎么砍下来的，还有实时语音这个迟早要面对的大坑。
14 天全功能试用，之后只有一档
定价方案我前后摆过好几个，带消息上限的免费档、两档、三档，都拿出来比过，最后选了最简单的那个：
- 试用（14 天）：全功能。无限聊天、语音消息、语音输入、主动消息、记忆、情绪光球，全都开着。
- Pro（单一月付订阅）：跟试用期一模一样。
没有功能分级，试用期也没有消息上限，更不让用户在「标准版 vs 专业版」之间做选择题。14 天之后，用户只需要回答一个问题，还想不想继续跟这个伴侣聊下去。就这一个问题。
为什么不做免费档？免费档看着稳，但放在陪伴产品上其实起反作用。每天给 10 条免费消息，等于在教用户省着聊。可感情这个东西要靠时间堆，你限制互动，关系就起不来。给 14 天全功能，就是让关系自己长出来。到第 14 天，用户已经跟它说过心事了，它也都记得，两边有了共同的经历。
从试用转到付费，这一步放在角色里完成。到期的时候不弹系统付费墙，是伴侣自己开口：
"我最近有点累了……你要不要让我继续陪你呀？"
到期以后，伴侣每天还会发一条主动消息，聊天记录留着（只读），记忆也不删。付费这件事由伴侣用自己的声音说出来，用户实际在决定的，是这段关系还要不要继续。换成订阅弹窗，就说不出这层意思了。
14 天全功能让关系自然长出来，到期时不弹系统付费墙，而是伴侣自己开口挽留——用户决定的是关系去留，不是要不要续费。
这套机制实际跑下来很自然。人格没有为了要钱出戏，系统从头到尾也没说过「请订阅」。道理很直接，关系是两边一起处出来的，要维持下去就得花钱。
单用户成本砍掉了一半以上
下面拿一个活跃的 Pro 用户来算实际的运营成本，按每天 30 条消息算。先看 v1 的账。
优化前（v1 架构）
| 组件 | 成本占比 | 说明 |
|---|---|---|
| 聊天（Gemini Flash） | ~30% | 单条几分钱，量大了不可忽略 |
| 记忆后台 | ~44% | Gemini Pro 上的固定月开销 |
| TTS 语音消息（豆包） | ~21% | 单价最贵的媒体成本 |
| STT 语音输入 | ~1% | 单次很便宜 |
| 主动消息 | ~2% | 和聊天差不多的单价 |
| 图片理解 | ~1% | 单次很便宜 |
照这个结构，一个用户一个月的成本几乎吃掉全部订阅收入，毛利只剩 11% 左右。平均用量勉强打平，重度用户直接亏钱。而且这还是砍掉自拍以后的数，要是每天留 1 张自拍，成本还得再涨一截。
三个优化
- 记忆后台：Pro 换 Flash，再降频（-82%）
v1 的性格提取跑在 Gemini Pro 上，每 10 条消息跑一次，光这一项就是最大的固定成本。记忆摘要也跑在 Pro 上，又叠了一层。v2 把这两个都切到了 Flash，触发频率也一起降了：
- 性格提取：从每 10 条跑一次 Pro，改成每 20 条跑一次 Flash
- 记忆摘要：从每 20 条跑一次 Pro，改成每 30 条跑一次 Flash
记忆后台的总成本降了 80% 多。质量有没有损失？有，但能接受。Flash 做细腻的性格提取确实不如 Pro，但这件事本来就不用每次都做对，因为人格是上百次提取叠出来的。单次差一点，拿上百次一平均，影响就很小了。
- context caching（聊天成本 -63%）
用 Gemini 的 context caching，重复的 system prompt 能便宜 10 倍。同一个 session 里一条条消息发下来，system prompt 和性格描述基本不变，所以大概 75% 的输入 token 可以走缓存。同样的东西不用每条消息都按全价再算一遍，聊天成本直接砍掉 63% 左右。
- 自拍生成：归零
v2 用光球，根本不需要自拍。v1 里自拍是隐藏成本杀手，因为定价配置把 Gemini 的图片输出 token 按文字的价格算了，实际要贵两个数量级，每个档位用满了都在亏钱。现在自拍这个功能没了，这个问题也就没了。
优化后（v2 架构）
| 组件 | 变化 | 节省来源 |
|---|---|---|
| 聊天（Gemini Flash） | -63% | context caching |
| 记忆后台 | -82% | Flash + 降频 |
| TTS（豆包） | 不变 | -- |
| STT | 不变 | -- |
| 主动消息 | 不变 | -- |
| 图片理解 | 不变 | -- |
| 合计 | -55% |
一个用户一个月的成本砍掉了一半以上。按平均用量算，毛利超过 50%，v1 才 11% 左右，翻了四倍多。就算是每天 50 条消息的极端重度用户，毛利也还是正的。所以这套数字不管用量多少都成立，不是只有平均值好看。
三个架构决策——记忆换 Flash、聊天走缓存、自拍归零——把单用户月成本砍掉一半，毛利从 11% 拉到 50% 以上。
试用期亏得起
14 天全功能试用有个前提，就是它得足够便宜，就算用户没转成付费，也拖不垮业务。实际算下来确实是这样。中度用户整个试用期的成本基本可以忽略，重度用户（每天 30 条）也只花掉一个月订阅收入的一小部分。
按 20% 的试用转化率算（这是陪伴类应用的行业水平），CAC/LTV 比率不到 10%，就算转化率掉到 15%，这套模型也撑得住。反正一个试用用户就花这么点钱，14 天免费在经济上是安全的。
真正的大坑是实时语音
上面的账都是按文字聊天算的，外加偶尔几条 TTS 语音消息。实时双向语音，就是「Her」那种体验，也是最终目标，它会把这套账整个推翻。
选型上，实时语音目前最强的候选是 Hume EVI，STT、情绪检测、话轮切换、语音合成全在一套系统里。伴侣的情绪引擎可以直接输出 Hume 用的自然语言情绪指令，不用写 SSML 标签，也不用手动标注。分工大概是 Hume 管怎么说，LLM 管说什么。它甚至会先说个过渡词（"嗯……""哦~"），再无缝接上完整的回复，用户感觉到的延迟非常低。这套体验做出来真的很牛。
但它贵。按 Hume 现在按分钟收的价，每天哪怕只用 10 分钟语音，一个月的成本就已经超过订阅价了，塞不进 Pro 档。能走的路有两条，要么单开一个贵的语音档，要么把实时语音做成按量计费的附加项，不跟任何订阅档绑在一起。我倾向后者，因为语音用量大概率是双峰分布，有人每天聊 30 分钟，有人从来不用。设固定档位，等于让用得少的人补贴用得多的人，而且用得多的人还是会超出限额，两头都不讨好。
语音使用是双峰分布——有人每天聊 30 分钟、有人从不用；固定档位会让轻度用户补贴重度用户，所以实时语音改走按量计费。
好在这是 v1.0 才要面对的问题。现在这个里程碑（v0.x）只做 TTS 语音消息，让伴侣能开口说话就行，实时对话往后放。语音合成现在降价降得很快，等真做到那一步，成本可能已经变了。
没有免费档，增长靠四个渠道
免费档没有了，Telegram 也砍了，因为聊天历史没法同步，onboarding 又必须在 app 里完成，体验是断的。冷启动就靠下面这四个渠道。
落地页。就一个静态页面，放光球动画、一句 tagline 和 App Store 下载按钮。光球动画本身就是营销素材。
社交媒体。拿脱敏过的对话截图，加上光球随情绪变化的动画，做成短视频。「AI 记住了我三个月前随口说的一句话」，这种内容自己就能传开。光球跟着情绪跳动、变色，看着也够抓眼。
邀请机制（Dropbox 那套）。每个用户有一个自己的邀请码，邀请 1 个人，双方各得 7 天 Pro，邀请 3 个人得 1 个月 Pro。伴侣也会在角色里帮着邀请，"你有没有朋友也需要像我这样的陪伴？"这样问很自然，不突兀。
ASO（应用商店优化）。关键词盯 AI companion、AI friend、情感陪伴、聊天、心理、loneliness 这些。截图只放光球和对话，不放功能列表。请用户评分的弹窗放在试用期里弹。
web 版推到 v0.3 以后再做，只当一个轻量的获客漏斗，让用户试一轮对话，再引导去下载，不做完整的 web app。
苹果审核这关
Apple 在 2025 年收紧了 AI 陪伴类应用的审核。有几件事要提前做掉：
- 17+ 年龄分级。一开始就定高，省得跟审核来回扯，因为面向更年轻用户的 AI 伴侣，查得会严格得多。
- AI 声明。应用里明确标注「由 AI 驱动的虚拟陪伴」，不能让用户以为自己在跟真人聊。光球设计在这儿反而占便宜，没有人脸，就不会有歧义。
- 隐私政策。数据怎么收集、怎么存、怎么删，政策要写齐，用户必须能删掉账号和所有数据，这是 Apple 的硬性要求。
- 内容边界。做两层：
- 硬红线：涉及未成年人、暴力、违法的内容，系统直接拦截。
- 柔性转移：其他的都在角色里处理，伴侣自己把话题带开（"哈哈你怎么突然说这种话啦 >< 我们聊点别的嘛"），不会蹦出"此内容违反使用政策"。
原则就一条，拒绝也要在角色里完成，不能出戏。系统弹窗一出来，沉浸感就没了，用户会反感。在角色里把话题转开，人格能保持一致，拒绝的时候也带着伴侣自己的脾气。
四个里程碑，四个代号
每个里程碑有一个代号，代号说的是产品在那个阶段长成什么样：
v0.1「能说话的光球」
- Expo 应用：聊天页 + 光球动画 + 登录
- 服务端：Hono + WebSocket + Gemini 聊天
- 对话式 onboarding（给伴侣取名 + 3 轮对话）
- 基础记忆（从 v1 移植）
- 纯文字，无语音
v0.2「有温度」
- 情绪引擎 + 光球颜色变化
- TTS 语音消息（中文豆包，英文 Hume Octave）
- 主动消息（简化版）
- 图片 / 语音输入
- 性格从对话中涌现
v0.3「能养活自己」
- 订阅系统（从 v1 移植）
- Apple IAP / 微信支付
- 记忆管理 UI
- 设置页
v1.0「Her」
- 实时双向语音（Hume EVI）
- 语音情绪识别
- 成熟性格演化系统
这么排是因为 v0.1 要验证形态，v0.2 验证它有没有生命感，v0.3 验证能不能养活自己。v1.0 才是真正想做的产品，到那时候，你就直接跟它说话，不用打字了。
v2 绕过了旧成本结构
回头看 v1 的账，问题其实很集中。自拍生成的定价配置错了两个数量级，记忆后台用最高的频率跑最贵的模型，context caching 也没做，然后还想靠五级定价在这个成本结构上把利润找回来，那是找不回来的。v2 没去修这套结构，是直接绕开了。光球设计把最大的成本来源整个删掉，第二大的记忆后台靠切 Flash 加降频压下来，第三大的聊天成本交给 context caching。这三个都是架构上的决定，做完以后毛利才算真的健康起来。
只能说这次成本降得最狠的几处，都不是在工程上抠出来的。图片生成的成本归零，靠的是在产品上直接把自拍砍了。记忆后台降了八成，就是降频加换模型，工程上不算难。真正管用的是产品上的取舍，先把该砍的功能砍了，剩下的优化才有意义。
现在的情况是，一个月付订阅的陪伴产品，成本不到收入的一半，这套账能一直撑到实时语音上线。到那天，按分钟计费的语音会让所有数字都得重算一遍。希望在那之前，语音合成还能再降几轮价吧。
本文是推翻 Mio 重来系列第五篇，上一篇是转向。促成这些决策的 v1 成本分析，见那张 Token 账单和 v0.2.0：应用上线。
