當(dāng)下AI圈幾乎每周都有新鮮事發(fā)生，這反而給了許多創(chuàng)業(yè)公司熬出頭的機(jī)會(huì)。（雷峰網(wǎng)雷峰網(wǎng)雷峰網(wǎng)）

無(wú)論是Clawedbot掀起對(duì)物理世界交互方式的重構(gòu)，還是Moltbot上開始討論AI和人類如何共存的危機(jī)感，都在提醒市場(chǎng)：真正的機(jī)會(huì)往往藏在邊緣地帶，以及看似微小的‘非共識(shí)’時(shí)刻。

比如“播客”這個(gè)領(lǐng)域，即便有短視頻和短劇的大力沖擊，但是播客賽道仍舊火熱，根據(jù)《CPA中文播客白皮書2026》顯示，2025年中文播客聽眾人數(shù)已突破1.5億人，較2023年的1.2億增長(zhǎng)25%。

在大量研究國(guó)外對(duì)播客的論文文獻(xiàn)之后，創(chuàng)始人馮雷決定選擇AI播客這條賽道，其創(chuàng)業(yè)路徑非常清晰：我們的目標(biāo)不是DAU，而是要做一個(gè)賺錢的 AI 產(chǎn)品，專注于 1%-3%以內(nèi)的創(chuàng)作者，這群人很有創(chuàng)造力，也愿意付費(fèi)，我們就服務(wù)這群人。

“我們就是希望他像一個(gè)真人一樣，沒有太多 AI 表達(dá)。盡量有人味，越自然越好?！?馮雷對(duì)AI科技評(píng)論表示。

ListenHub創(chuàng)始人 馮雷

作為一家在播客生成領(lǐng)域做到國(guó)內(nèi)頭部的公司，ListenHub選擇為內(nèi)容創(chuàng)作者提供聲音克隆、多模態(tài)編輯、一鍵生成解說視頻等專業(yè)工具。

公司去年底實(shí)現(xiàn)了300萬(wàn)美金的ARR，并在近期以5000萬(wàn)美金的估值開啟新一輪融資。

在成為一名創(chuàng)業(yè)者之前，馮雷是Minimax 海螺AI的產(chǎn)品負(fù)責(zé)人，最廣為人知的是他的個(gè)人公眾號(hào)“有機(jī)大橘子”，更早期在BOSS直聘、蘭亭集勢(shì)、三星等公司就職就職，從事產(chǎn)品經(jīng)理相關(guān)職位。

在對(duì)PMF的理解上，他指出：在傳統(tǒng)互聯(lián)網(wǎng)時(shí)代，產(chǎn)品經(jīng)理的核心任務(wù)是"發(fā)現(xiàn)需求-驗(yàn)證模型-規(guī)模化復(fù)制"，流程清晰如流水線；而在AI時(shí)代，他坦言這套方法論已經(jīng)失效——"真的是拿錘子找釘子，而且還真的能找到"。

這種反常識(shí)的顛倒，源于大模型作為通用技術(shù)的特殊性，因此在招聘時(shí)，馮雷也會(huì)警惕經(jīng)驗(yàn)主義者，"3年以上的產(chǎn)品經(jīng)理容易陷到過去的方法論里"；他堅(jiān)持定ARR而非DAU目標(biāo)，也會(huì)將產(chǎn)品核心交給工程師和AI本身，信奉Manus那句"less structure, more intelligence"——當(dāng)技術(shù)本身具備涌現(xiàn)能力時(shí)，人的任務(wù)不是控制，而是守護(hù)那1%的靈魂。

在這次對(duì)話中，馮雷展現(xiàn)了一個(gè)AI創(chuàng)業(yè)者的清醒與坦誠(chéng)。他不諱言對(duì)大模型降本論的質(zhì)疑——"去年大家最大的錯(cuò)誤判斷就是相信模型降價(jià)能帶來利潤(rùn)空間"；他也直言當(dāng)前AI應(yīng)用公司的困境——"調(diào)用Claude的公司利潤(rùn)都很低，ARR只是給Claude交的稅"；他甚至略帶自嘲地承認(rèn)"現(xiàn)在的英文模型效果依然不夠好，一定程度上影響了海外的 GTM"。

這篇對(duì)話記錄不僅是對(duì)ListenHub成功的復(fù)盤，更是為當(dāng)下AI創(chuàng)業(yè)者呈現(xiàn)出的另一個(gè)參考樣本：

01 關(guān)于ListenHub產(chǎn)品現(xiàn)狀

AI科技評(píng)論：ListenHub目前進(jìn)展如何？在市面上各種AI產(chǎn)品都在卷DAU的時(shí)候，你們?cè)趺催x擇？

馮雷：去年底我們做到了300萬(wàn)美金的ARR，和豆包相比，它的目標(biāo)是做中國(guó)DAU第一的AI產(chǎn)品，做的是大眾生意。但我們的目標(biāo)是做一個(gè)賺錢的AI產(chǎn)品。我們服務(wù)的核心人群可能只占全網(wǎng)用戶的1%到3%，就是那些有創(chuàng)造力、愿意付費(fèi)的創(chuàng)作者。我們?cè)黾恿寺曇艨寺?、編輯模式等他們需要的功能，這樣與大廠形成正交關(guān)系，沒有直接競(jìng)爭(zhēng)。

AI科技評(píng)論：既然是給創(chuàng)作者用的工具，為什么選擇“AI播客”這個(gè)切入點(diǎn)？短視頻不是更火嗎？

馮雷：播客是一個(gè)很神奇的存在。短視頻沖擊了這么多年，聽播客的人不僅沒少，反而變多了。這說明它里面有一種不可替代的“深度表達(dá)”需求。

ListenHub做到了國(guó)內(nèi)第一，核心特色在于“像人一樣自然的表達(dá)”。我們不是在做表演，而是在做溝通?，F(xiàn)在的AI能把解說視頻做得非常有“人味兒”，這種自然感是用戶買單的關(guān)鍵。而且，我們正在從音頻向視頻、PPT拓展，流量池會(huì)更大。

AI科技評(píng)論：ListenHub的商業(yè)模式是一開始就確定的嗎？

馮雷：是逐漸在創(chuàng)業(yè)過程中探索而來的。最初嘗試情感電臺(tái)方向——AI個(gè)性化推送情感故事，支持聊天并按對(duì)話收費(fèi)。但該方向用戶付費(fèi)意愿有限，工具屬性反而更易變現(xiàn)，因此自然轉(zhuǎn)向迭代，逐步加入視頻、圖片、解說等功能。

02 技術(shù)路徑與產(chǎn)品體驗(yàn)

AI科技評(píng)論：你們現(xiàn)在主要使用哪些模型？國(guó)內(nèi)外模型使用的差異性在哪里？

馮雷：我們主要用海外的原生多模態(tài)模型。比如把PDF或Youtube視頻直接“洗”成一篇高質(zhì)量的播客稿件，這需要極強(qiáng)的長(zhǎng)窗口和多模態(tài)理解力。

我們也會(huì)用到一些國(guó)內(nèi)的模型，比如Qwen、Minimax、字節(jié)（豆包）在中文處理上都不錯(cuò)。但問題出在英文和多語(yǔ)言上。因?yàn)槲覀円龊＃?wù)海外用戶和海外華人，所以必須依賴海外模型。

AI科技評(píng)論：產(chǎn)品最主要的技術(shù)指標(biāo)是什么？是聲音還原度還是文本流暢？

馮雷：分幾塊：文本方面希望像真人一樣，沒有太多"AI味"；聲音方面越自然越好，保持播客輕松的狀態(tài)；圖片方面要給用戶足夠信息量，同時(shí)精美并符合用戶要求。

AI科技評(píng)論：讓AI"沒有人味"是通過提示詞工程實(shí)現(xiàn)的嗎？

馮雷：整體是一套標(biāo)準(zhǔn)的"上下文工程"。前置處理包括各種輸入（YouTube、PDF等），基于講解場(chǎng)景整理核心信息，然后按照播客場(chǎng)景處理。分兩步：一是搭架構(gòu)（像建房搭結(jié)構(gòu)），二是潤(rùn)色表達(dá)（像裝修和外墻），最終形成好內(nèi)容：第一，要有信息量、有干貨知識(shí)性；第二，表達(dá)要吸引人，能讓人聽完（比如3分鐘完播率），內(nèi)容再好沒人聽也不行；第三，要有內(nèi)在邏輯，讓人聽完能改變行為。對(duì)創(chuàng)作者來說，還需要節(jié)奏、韻律，讓粉絲聽完想聽下一個(gè)，這三者要結(jié)合。

03 商業(yè)模式與創(chuàng)業(yè)思考

AI科技評(píng)論：現(xiàn)在市場(chǎng)上有做“套殼”集成的（如Manus），也有自研模型的，這兩種模式怎么看？

馮雷：如果錢足夠，還是會(huì)訓(xùn)模型。模型公司追求更高的上限，比如Coding是個(gè)大市場(chǎng)，只有自己訓(xùn)模型，在大規(guī)模用戶下利潤(rùn)率才算得過來。應(yīng)用公司調(diào)用API（如Claude）其實(shí)很難有高利潤(rùn)，大部分收入都交給模型廠商了（像交稅一樣）。

AI科技評(píng)論：既然模型成本這么高，前兩年說的“模型降價(jià)”似乎沒有給應(yīng)用公司帶來特別大的成本空間？

馮雷：這可能是去年大家最大的錯(cuò)誤判斷。 降價(jià)發(fā)生在模型能力到達(dá)閾值之前，那時(shí)候模型沒那么有用，只能靠降價(jià)擴(kuò)張，或者像OpenAI這樣追求超高速覆蓋率。但一旦突破閾值（如谷歌的圖片模型，一塊錢一張圖，很貴，不降價(jià)都供不應(yīng)求），頂級(jí)模型就變成了商品。

AI科技評(píng)論：所以現(xiàn)在做應(yīng)用必然燒錢？

馮雷：會(huì)燒錢，但要合理地?zé)２荒芟窕ヂ?lián)網(wǎng)時(shí)代那樣免費(fèi)換規(guī)模。AI時(shí)代沒有網(wǎng)絡(luò)效應(yīng)，必須建立健康的經(jīng)濟(jì)模型。

AI科技評(píng)論：公司目前融資進(jìn)展如何？資金可支撐多久？

馮雷：正在推進(jìn)新一輪融資，上一輪天際投完之后估值達(dá)到約2000萬(wàn)美元。Q4 ARR增至300萬(wàn)美元，本輪按5000萬(wàn)美元估值進(jìn)行融資，年底目標(biāo)估值1億美元。

當(dāng)前資金可支撐兩年以上。下一輪融資完成后可支撐五年。

AI科技評(píng)論：創(chuàng)業(yè)公司資金有限，如何控制成本？

馮雷：主要成本在Token上。我們?cè)O(shè)定規(guī)則：任何創(chuàng)業(yè)項(xiàng)目初始預(yù)算為1000美元Token費(fèi)用。若上線一天內(nèi)耗盡，說明項(xiàng)目有潛力，公司追加投資；若項(xiàng)目走紅但成本可控，也不會(huì)造成損失。以預(yù)算作為約束機(jī)制，核心目標(biāo)是ARR。

該機(jī)制自去年10月"任務(wù)酒館"改革后實(shí)行。任務(wù)公開發(fā)布，成員自主認(rèn)領(lǐng)，獨(dú)立完成從開發(fā)到驗(yàn)證的全流程，預(yù)算內(nèi)API費(fèi)用實(shí)報(bào)實(shí)銷。

但嘗試也需要主線和方向。我們的主線是幫助人表達(dá)——通過多模態(tài)技術(shù)增強(qiáng)表達(dá)能力。技術(shù)與人文結(jié)合，目標(biāo)人群明確（創(chuàng)作者、學(xué)生、教師），在此范圍內(nèi)可自由嘗試，但需避免偏離核心（如短劇屬于表演而非表達(dá)，不在范圍內(nèi)）。

04 AI時(shí)代的產(chǎn)品方法論

AI科技評(píng)論：如果中廠、大廠把TPMF做得很好，純做PMF的公司會(huì)受到?jīng)_擊嗎？

馮雷：訓(xùn)模型的公司普遍開放API，因其自有場(chǎng)景不足，需要用數(shù)據(jù)持續(xù)優(yōu)化模型。模型公司與我們合作時(shí)也會(huì)協(xié)助微調(diào)模型，目標(biāo)同樣是提升模型能力。因此在這一層面，雙方利益一致——場(chǎng)景上各取所需，ROI不同，但都希望用數(shù)據(jù)讓模型更強(qiáng)。若模型公司真能覆蓋所有場(chǎng)景，便不會(huì)開放API。

AI科技評(píng)論：AI時(shí)代做產(chǎn)品，與過去尋找PMF有何不同？

馮雷：完全不同。過去需求與技術(shù)相對(duì)確定，產(chǎn)品只需找到連接點(diǎn)，固化workflow，發(fā)現(xiàn)盈利路徑后迅速規(guī)?；柚W(wǎng)絡(luò)效應(yīng)擴(kuò)張。

AI時(shí)代則相反：用戶場(chǎng)景與模型訓(xùn)練者的預(yù)設(shè)往往不一致，因此產(chǎn)品、運(yùn)營(yíng)、增長(zhǎng)都無(wú)法先設(shè)定明確目標(biāo)。例如馬卡龍初期專注寫作，但模型能力未達(dá)預(yù)期，方向錯(cuò)誤只能放棄。

邏輯是倒置的：先構(gòu)建通用技術(shù)，投入市場(chǎng)驗(yàn)證，發(fā)現(xiàn)匹配場(chǎng)景（如PPT高頻且有價(jià)值），再針對(duì)性完善工程。這類似于"拿錘子找釘子"，雖反常識(shí)，但通用技術(shù)確能找到適配場(chǎng)景。因此我們傾向招募3年以內(nèi)經(jīng)驗(yàn)的產(chǎn)品經(jīng)理，資深者反而易受舊有方法論束縛。

AI科技評(píng)論：在MiniMax時(shí)的產(chǎn)品思路與現(xiàn)在一致嗎？

馮雷：當(dāng)時(shí)尚處Chatbot早期，產(chǎn)品目標(biāo)是服務(wù)模型迭代——獲取數(shù)據(jù)、構(gòu)建飛輪、提升模型能力，不關(guān)注產(chǎn)品數(shù)據(jù)或營(yíng)收，只追求技術(shù)上限。

當(dāng)前環(huán)境對(duì)產(chǎn)品經(jīng)理挑戰(zhàn)更大：技術(shù)變量不由產(chǎn)品主導(dǎo)，因此需摒棄 ego。我們公司工程師地位很高，擁有充分決策權(quán)。我不會(huì)以15年產(chǎn)品經(jīng)驗(yàn)自居進(jìn)行指導(dǎo)，而是聚焦目標(biāo)設(shè)定。目標(biāo)選擇至關(guān)重要——DAU目標(biāo)會(huì)導(dǎo)致團(tuán)隊(duì)動(dòng)作變形，ARR 目標(biāo)在前兩年都更有效，因其倒逼真實(shí)增長(zhǎng)與付費(fèi)轉(zhuǎn)化。

我們正培養(yǎng)工程師的端到端能力：從用戶需求驗(yàn)證（工程師直接參與用戶社群）、商業(yè)模式設(shè)計(jì)到產(chǎn)品上架，全流程參與。將產(chǎn)品經(jīng)理培養(yǎng)成全棧成本過高，而將工程師培養(yǎng)成具備產(chǎn)品決策能力的全棧人才更具性價(jià)比，這是我們的核心方法論。

AI科技評(píng)論：公司當(dāng)前主線是什么？是否會(huì)涉足數(shù)字人和陪伴類產(chǎn)品？

馮雷：數(shù)字人和陪伴類暫不涉及。完成現(xiàn)有表達(dá)類產(chǎn)品后，我們認(rèn)為智能表達(dá)已較為成熟。長(zhǎng)期目標(biāo)是構(gòu)建Agent——本質(zhì)上是模擬完整的人。除表達(dá)外，還需具備思考能力、意圖理解能力和執(zhí)行能力。表達(dá)能力已夯實(shí)，現(xiàn)正推進(jìn)完整Agent的研發(fā)。

內(nèi)部從去年8月開始就已經(jīng)在開發(fā)一款語(yǔ)音交互驅(qū)動(dòng)的桌面 Personal Agent產(chǎn)品，支持語(yǔ)音對(duì)話，長(zhǎng)期記憶，控制電腦，使用網(wǎng)絡(luò)。我們將 ListenHub 里積累的真人感的表達(dá)理念和技術(shù)積累注入到全新的 Agent產(chǎn)品中，力圖打造出第一個(gè)具有真人感的 Agent。