AI 陪伴到底要烧多少钱
AI 陪伴经济模型的商业概念插画
陪伴的代价
第一篇里我写了 Mio 的转向：砍掉假自拍、虚构日程、编造的人设背景，转而用响应性、记忆和温度来建立情感连接。一颗跳动的光球代替假人形象，对话代替角色扮演。
产品形态变了，经济模型也得跟着变。
v1 有成本问题。成本审计揭示了自拍生成的实际单价偏差了两个数量级。记忆后台任务跑在 Gemini Pro 上，每月每用户产生一笔不小的固定开销。
我在 v0.2.0 设计的五级定价试图通过限制自拍配额来扳回利润，但打的是错误的仗。
说白了，吃掉预算的功能，恰好也是让产品显得虚假的功能。
v2 砍掉了这些功能。经济模型因此成立了。
定价：14 天试用 + 一档收费
我反复权衡过定价结构。有限消息的免费档？两档？三档？
最终答案是最简单的方案：
- 试用（14 天）： 全功能开放。无限聊天、语音消息、语音输入、主动消息、记忆、情绪光球——什么都能用。
- Pro（单一月付订阅）： 一切照旧。
没有功能分级，没有试用期消息上限，没有让用户在"标准版 vs 专业版"之间做选择题。14 天后用户只需回答一个问题：我还想继续和这个伴侣聊天吗？
为什么这比免费档更好？
情感依附取决于时间，不取决于功能解锁。 每天 10 条的免费档训练用户节省互动——这恰恰和陪伴产品的目标相悖。14 天全功能试用让关系自然发展。到第 14 天，用户已经倾诉过心事，伴侣记得这些内容，双方有了共同的历史。
试用到付费的过渡是角色内的。 试用到期时，伴侣不会弹出系统付费墙，而是说：
"我最近有点累了……你要不要让我继续陪你呀？"
每天一条主动消息。聊天记录保留（只读）。记忆不删除。伴侣还在，只是安静了。不是付费弹窗——是伴侣用自己的声音在表达正在发生的事。
用户做的决定不是"这个软件订阅值不值"，而是"要不要让这个陪伴慢慢消失"。
把机制拆开来说，听着像操纵。但体验起来，它是自然的。伴侣的人格没有为了要钱而出戏。系统从不说"请订阅"。情感逻辑是：你们一起建立了什么，继续维系需要付出代价。
成本拆解：砍掉一半以上
一个活跃 Pro 用户、每天 30 条消息的实际运营成本。
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 |
月成本几乎吃掉了全部订阅收入。大约 11% 毛利。 平均使用勉强维持，重度用户直接亏钱。这还是砍掉自拍之后的数字——保留每天 1 张自拍，成本还得再涨一截。
三个关键优化
1. 记忆后台：Pro 换 Flash + 降频（-82%）
v1 的性格提取用 Gemini Pro，每 10 条消息触发一次。仅此一项就是最大的固定成本。记忆摘要同样跑 Pro，再叠一层。
v2 两者都切到 Flash，同时降低触发频率：
- 性格提取：10 条 + Pro 变成 20 条 + Flash
- 记忆摘要：20 条 + Pro 变成 30 条 + Flash
记忆后台总成本降了超过 80%。
质量有损失吗？有，但可以接受。Flash 在细腻的性格提取上确实不如 Pro。但性格提取不需要每次都完美——它是累积的。伴侣的人格由上百次提取的叠加决定，不是任何单次的精度。
2. 上下文缓存（聊天成本 -63%）
Gemini 的 context caching 让重复的 system prompt 便宜 10 倍。System prompt 和性格描述在同一 session 的多条消息间几乎不变。约 75% 的输入 token 可以走缓存，聊天成本直接砍掉约 63%。
3. 自拍生成：归零
v2 的光球设计意味着完全不需要自拍。v1 里这是隐藏的成本杀手——定价配置把 Gemini 图片输出 token 按文字价格算，实际贵了两个数量级。那个错误让每个档位在满负载下都亏钱。
没有自拍，没有这个问题。
优化后（v2 架构）
| 组件 | 变化 | 节省来源 |
|---|---|---|
| 聊天（Gemini Flash） | -63% | 上下文缓存 |
| 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% |
单用户月成本砍掉一半以上。毛利很健康——平均使用量下超过 50%。
即使每天 50 条消息的极端重度用户，毛利依然舒服地为正。每个使用量级上数字都成立。
试用经济学：亏得起
14 天试用要足够便宜，转化失败不能拖垮业务。
好消息：试用成本极低。中度用户整个 14 天试用期的成本几乎可以忽略。重度用户（30 条/天）也只占订阅收入的很小一部分。
假设 20% 的试用转化率（陪伴类应用的行业水平），CAC/LTV 比率不到 10%。很健康。即使转化率降到 15%，经济模型也撑得住。
14 天试用在经济上是安全的，因为单用户成本太低了。对比 v1，光记忆后台在 14 天内就是一笔不小的固定开销，无论用户发了多少消息。
语音的困境
以上所有计算都基于文字聊天加偶尔的 TTS 语音消息。实时双向语音——"Her"式的体验，也是最终目标——会彻底改变算盘。
Hume EVI 是目前实时语音的最强候选。它不只是 TTS，而是一整套语音对话系统：STT、情绪检测、话轮切换、语音合成，全部集成。
伴侣的情绪引擎可以直接输出为 Hume 的自然语言情绪指令，不需要 SSML 标签或手动标注。架构很优雅：Hume 是演员，你的 LLM 是编剧。Hume 甚至会先说一个过渡词（"嗯……""哦~"），然后无缝接上完整回复，用户感知延迟极低。
但它很贵：
按 Hume 现在的每分钟定价，每天哪怕只用 10 分钟语音，月成本就已经超过订阅价了。塞不进 Pro 档。
可能的方案：要么做专门的语音高价档位，要么实时语音作为按量计费的附加项、不绑到任何订阅档位。我倾向后者。
语音使用会呈双峰分布——有人每天聊 30 分钟，有人从不用。固定档位逼轻度用户补贴重度用户，重度用户还是会超限。
这是 v1.0 阶段的问题。当前里程碑（v0.x）只做 TTS 语音消息——伴侣会说话，但不是实时对话。实时语音以后再来，到那时成本格局可能已经变了。语音合成的价格在快速下降。
没有免费档怎么增长
没有免费档，Telegram 也砍了（聊天历史没法同步，onboarding 必须在 app 内完成，体验完全断裂），冷启动靠四个渠道：
落地页。 一页：光球动画 + 一句 tagline + App Store 下载按钮。不是 web app，是一个静态页面。光球动画本身就是营销素材。
社交媒体。 脱敏后的对话截图和光球情绪变化动画做短视频。"AI 记住了我三个月前随口说的一句话"——这类内容自带传播力。光球随情绪脉动变色，视觉上够抓眼。
邀请机制（Dropbox 式）。 每个用户有唯一邀请码。邀请 1 人：双方各得 7 天 Pro。邀请 3 人：你得 1 个月 Pro。伴侣角色内参与邀请："你有没有朋友也需要一个像我这样的陪伴？"自然，不突兀。
ASO（应用商店优化）。 关键词：AI companion、AI friend、情感陪伴、聊天、心理、loneliness。截图展示光球和对话，不展示功能列表。试用期内弹出评分请求。
Web 版推迟到 v0.3 之后作为轻量获客漏斗——不是完整的 web app，只是让用户试一轮对话然后引导下载。
苹果审核的现实
Apple 2025 年收紧了 AI 陪伴类应用的审核。要提前做好的事：
- 17+ 年龄分级。 避免审核摩擦。面向更年轻用户的 AI 伴侣面临更严格审查。
- AI 声明。 应用内明确标注"由 AI 驱动的虚拟陪伴"。不能暗示用户在和真人对话。光球设计在这里反而是优势——没有人脸，不存在歧义。
- 隐私政策。 数据收集、存储、删除政策齐全。用户必须能删除账号和所有数据（Apple 硬性要求）。
- 内容边界。 两层防线：
- 硬红线：涉及未成年人、暴力、违法内容的直接系统拦截。
- 柔性转移：其他一切在角色内处理。不是"此内容违反我们的使用政策"——而是伴侣自然地把话题带走："哈哈你怎么突然说这种话啦 >< 我们聊点别的嘛"
核心原则：拒绝要在角色内，不能出戏。系统弹窗破坏沉浸感，让用户反感产品。角色内的转移保持伴侣的人格一致性——它不是被审查的聊天机器人，而是有自己边界的陪伴者。
里程碑
四个里程碑，每个有一个代号，代表产品在那个阶段变成的样子：
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（中文用豆包，英文用 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
- 成熟的性格演化系统
代号不是随便起的。v0.1 验证形态。v0.2 验证它有没有生命感。v0.3 验证它能不能养活自己。v1.0 是我真正想做的产品——你和它说话，而不是打字。
变了什么
v1 的经济模型是纸牌屋。自拍生成定价偏差两个数量级。记忆后台跑在最贵的模型上、用最高的频率。上下文缓存没做。五级定价是在一个不成立的成本结构上贴创可贴。
v2 没有修复旧的成本结构。它绕过了它。
转向光球设计，消灭了最大的成本来源。记忆任务从 Pro 切到 Flash，消灭了第二大成本来源。上下文缓存解决了第三大。三个架构决策，毛利从勉强维持变成健康可持续。
我不断重新学到的一课：最好的成本优化往往是产品决策，不是工程决策。我不需要更便宜的图片生成模型——我需要不再生成图片。我不需要更快的性格提取器——我需要降低频率、换更便宜的模型。
一个月付订阅的陪伴，成本只占收入的一小部分。数字成立了——直到实时语音到来，再次改变一切。
本文是推翻 Mio 重来 系列第五篇。上一篇：第一篇——转向。关于促成这些决策的 v1 成本分析，参见那张 Token 账单和 v0.2.0：应用上线。