Vom Test mit schwarzem Klebeband zum geräteübergreifenden intelligenten Agenten haben zwei Veteranen der Sprachbranche zehn Jahre gewartet

Vor vielen Jahren wurde der Zentralbildschirm eines Xpeng-Autos mit schwarzem Klebeband luftdicht abgedichtet.

Bei diesem Medientest konnte der Tester weder die Oberfläche sehen noch den Bildschirm berühren, sondern konnte die Bedienung im Fahrzeug nur durch Sprache abschließen – der Test verlief schließlich erfolgreich. Zhao Hengyi, der damalige Leiter des Sprachgeschäfts bei Xpeng, erinnerte sich später: „Nach unserem Verständnis ist der Bildschirm nur eine Unterstützung. Entscheidend ist, wie man den Nutzer durch effektive Kommunikation dabei unterstützt, Dinge wirklich zu erledigen.“

Zu dieser Zeit arbeitete die Fahrzeug-Sprachsteuerung noch daran, das Aufwecken, die Erkennung und feste Befehle zu lösen. Der Schwarz-Klebeband-Test trug ein wenig von der Sturheit eines Produktmanagers in sich und brachte tatsächlich eine langfristige Frage auf den Tisch: Wenn der Bildschirm in den Hintergrund tritt, worauf verlässt sich die Maschine, um Menschen zu verstehen, und wie erfasst sie die nächste Anforderung des Menschen?

Viele Jahre später holen große Sprachmodelle diese Frage wieder an die Oberfläche. Maschinen beginnen, Semantik zu verstehen, Unterbrechungen zu akzeptieren und Tools aufzurufen – KI dehnt sich entlang der Chat-Fenster in die reale Welt aus. Im Jahr 2025 übernahm OpenAI das io-Team, das von Jony Ive und anderen gegründet wurde, in das Unternehmen; Amazon und Meta nahmen nacheinander das Unternehmen für umgebungsbezogene KI-Geräte Bee und das Unternehmen für tragbare Geräte Limitless unter ihre Fittiche.

Das Ziel hinter dem Wettbewerb dieser Giganten um Hardware ist mehr als klar – Wie baut KI eine allumfassende Verbindung zu Nutzern auf und erhält kontinuierlich Kontext außerhalb des Chat-Fensters?

„Die Verbindung zwischen KI und Menschen sollte alle Szenarien abdecken“, sagte Zhao Hengyi zu 36Kr. Wenn ein Mensch aus dem Auto ins Büro geht und dann nach Hause zurückkehrt, ändern sich die Geräte um ihn herum ständig – derselbe intelligente Agent sollte ihn dennoch erkennen, die vorherigen Erinnerungen fortsetzen und die Fähigkeiten des vor ihm liegenden Geräts nutzen.

Die unsichtbare und ungreifbare Stimme übernimmt in diesem Prozess die zentrale Rolle der verbindenden Interaktion. Sie kann den Menschen bei seiner Bewegung begleiten, hat eine hohe Eingabegeschwindigkeit und trägt Zögern, Gewissheit, Pausen und Emotionen in sich. Zhao Hengyi beschrieb, dass Sprache „so natürlich wie Luft und Wasser“ sei, weshalb sie lange Zeit unterschätzt wurde.

Hojo, das Ende 2024 gegründet wurde, dringt genau durch diese unscheinbare Lücke ein und positioniert sich selbst als KI-Stack für intelligente Hardware.

Gründer und CEO Zhao Hengyi hat nacheinander bei LeTV, Iflytek, Xpeng, NIO und SenseTime an Sprachplattformen, Robotern, intelligenten Fahrerkabinen und AgentOS gearbeitet. Mitbegründer und Chefwissenschaftler Su Dan arbeitete von Baidu über Didi bis zu Tencent AI Lab und durchlief den gesamten Zyklus der Spracherkennung von der Nahfeldaufnahme über Mobiltelefone bis zur Fernfeldaufnahme, Multimodalität und großen Sprachmodellen.

Zhao Hengyi und Su Dan kennen sich seit fast zehn Jahren in der Sprachbranche. Ersterer entwickelte sich entlang Produkt, Hardware und Lieferkette weiter, letzterer entlang Modellen, Akustik und Technik. Bis zum Aufkommen der Ära großer Modelle trafen die beruflichen Wege der beiden schließlich an dieser Kreuzung namens Hojo zusammen.

Links: Zhao Hengyi, Rechts: Su Dan

Sie wollen gemeinsam eine Frage beantworten: Wie kann KI, nachdem sie das Chat-Fenster verlassen hat, in echte Hardware eindringen und dort einen Menschen kontinuierlich verstehen?

01 Zwei Sprachveteranen treffen sich endlich in der Ära großer Modelle

Zhao Hengyi arbeitet seit fast zehn Jahren mit Sprache.

In diesen zehn Jahren haben sich die technologischen Wellen mehrfach gewandelt – von intelligenten Lautsprechern im Zeitalter des mobilen Internets und IoT über die Intelligenz von Autos bis hin zu den heutigen großen Modellen. Es ist erstaunlich, dass sein beruflicher Weg nie von der Sprache abgewichen ist.

Bei Iflytek war er für die DUI-Plattform verantwortlich und gründete 2018 das Geschäft für Konferenzlösungen. Bei Xpeng brachte er Sprache in Autos und Roboter ein. Bei NIO ließ ihn NOMI erkennen, dass Nutzer eine emotionale Bindung zu einem Interaktionsobjekt mit Stimme, Ausdruck und Persönlichkeit aufbauen.

Zhao Hengyi ist der Ansicht, dass der Wert von Sprache nie nur in der Eingabegeschwindigkeit liegt. Zögern, Pausen, Gewissheit und Emotionen sind alle in der Stimme verborgen – und diese Informationen lassen sich kaum vollständig durch einen bearbeiteten Text erhalten.

Diese Überzeugung von der Sprache stammt von einem Satz aus seiner Studienzeit – „Ohne Stimme kommt selbst das beste Theater nicht zur Geltung“. Er liebt Musik und Hi-Fi, deshalb gab er den visuellen Bereich auf und ging ins Labor, um Sprache und Audio zu erforschen. In gewisser Weise legte dies auch den Grundstein für seine spätere Produktphilosophie: Wenn KI in die reale Welt eintritt, ist Sprache immer noch die natürlichste und informativste Kommunikationsweise zwischen Mensch und Maschine.

Der berufliche Werdegang von Su Dan ähnelt eher einem Abbild der Entwicklung der Sprachtechnologie.

Er ist ein typischer Technikexperte aus großen Unternehmen. Während seiner Doktorarbeit an der Peking-Universität erforschte er Spracherkennung. Als er zu Baidu kam, brachten Smartphones gerade Sprachsuche und Eingabemethoden zu echten Nutzern. Später bei Didi und Tencent erweiterte sich seine Arbeit von der Spracherkennung auf multimodale Sprachinteraktion und große Sprachmodelle, wobei er sich hauptsächlich mit Problemen wie der Integration mehrerer Sprachen, der Optimierung vertikaler Bereiche sowie Streaming- und Vollduplex-Erlebnissen befasste.

Die Spracherkennung gehört zu den ersten Bereichen, in denen Deep Learning eine großskalige industrielle Anwendung erreicht hat. Heute bündeln große Modelle die ursprünglich verteilten Fähigkeiten der Erkennung, Synthese und Konversation wieder. Und diese Runde der Veränderung trifft die Technikmitarbeiter großer Unternehmen härter als erwartet.

Tatsächlich verändern große Modelle die Art und Weise, wie diese Technikexperten Organisationen betrachten.

Die früher getrennten technologischen Richtungen laufen schnell zusammen – Modelle, Daten, Rechenleistung und Geschäft müssen neu koordiniert werden, aber die Ressourcen großer Unternehmen können kaum mit den technologischen Routen Schritt halten. Su Dan wünscht sich, „Ressourcen in einer flexibleren Organisation zu verteilen und Arbeiten voranzutreiben“, und hofft, dass die Technik früher mit echten Anwendungen in Kontakt kommt. Zhao Hengyi, der ebenfalls bei mehreren Automobilherstellern gearbeitet hat, leidet unter Problemen auf Ebene der Organisationsprozesse: Bei der Durchführung abteilungsübergreifender Projekte in großen Unternehmen verbringt man viel Zeit mit Erklärungen, Koordination und der Beschaffung von Ressourcen – manche Entscheidungen werden erst nach Monaten umgesetzt.

Die beruflichen Wege der beiden haben sich schon früher gekreuzt, aber sie haben nie wirklich zusammengearbeitet. Nach dem Aufkommen großer Modelle wurden Modelle, Daten, Produkte und Hardware in dasselbe System gebracht – erst dann entwickelten die beiden einen klaren Konsens für eine gemeinsame Unternehmensgründung: Sprachmodelle, Produkterlebnis und Hardware-Engineering in ein und dasselbe Unternehmen zu bringen, um einen vollständigen KI-Stack für intelligente Hardware aufzubauen.

Ende 2024 wurde Hojo registriert und gegründet. Die Arbeitsteilung nach der Gründung folgte den Bereichen, in denen beide Experten sind: Zhao Hengyi steht näher an Nutzern, Produkten, Kunden und Lieferkette, Su Dan ist dafür verantwortlich, Anforderungen in Akustik, Modelle und Engineering-Ketten aufzuteilen. Su Dan bewertet das Produktgespür von Zhao Hengyi so: „Er klärt zuerst Nutzer und Produkt, und leitet dann ab, welcher Bereich der Technik ergänzt werden muss.“

Dies ist auch das erste Mal, dass die beiden den Namen Hojo vollständig erklären: Er stammt aus den Anfangsbuchstaben der englischen Namen der beiden Gründer. Das Team gab HOJO zudem die Bedeutung „Holistic Omni Joint Operator“, die jeweils für Ganzbereich, Multimodal, geräteübergreifend und Interaktionssystem steht. Ein Name verbindet die Arbeitsteilung der beiden und das Ziel des Unternehmens.

Genau wie die Arbeitsteilung der beiden in diesem Interview beantwortet Zhao Hengyi hauptsächlich Fragen zu Nutzern, Produkten, Kunden und Lieferkette. Wenn das Thema in die akustische Vorderverarbeitung, Modellgrenzen oder Hardware-Lebensdauer eintritt, übernimmt Su Dan. Die beiden schweifen selten in Emotionen ab, sondern zerlegen Probleme normalerweise direkt in technische Bedingungen und geschäftliche Einschränkungen.

Zu Beginn der Gründung beschlossen die beiden, gleichzeitig in ASR, kleinformatige TTS und native Vollduplex-Sprachmodelle zu investieren. Su Dan führt diese drei Richtungen auf „durch die Produktseite erzwungene Anforderungen“ zurück: Geräte brauchen eine stabile, latenzarme und kostengesteuerte Modelllösung. Darunter wurde das native große Modell für vollduplex Sprach-Emotions-Konversation ursprünglich von ihm vorgeschlagen und vorangetrieben. Er ist der Ansicht, dass die nächste Generation der Sprachinteraktion nicht in dem Zyklus „Du sprichst zu Ende – ich erkenne – ich antworte“ verbleiben darf, sondern Nutzern erlauben muss, jederzeit zu unterbrechen, sodass das Modell gleichzeitig zuhören, denken und sprechen kann.

Die drei Modelllinien sind nicht voneinander isoliert. Sie teilen sich die Pipeline für Datenbereinigung und -erweiterung, das Trainingsframework und das Bewertungssystem. ASR-Annotationen und TTS-Synthesedaten unterstützen zudem das Vollduplex-Training. Su Dan sagte, dass die „Sprach-Pipeline“ als eigenständige Industrie verschwindet – aber Sprachfähigkeiten als grundlegendes Organ intelligenter Agenten werden nur wichtiger, insbesondere in den beiden Hauptrichtungen Mensch-Maschine-Konversation und Inhaltserstellung.

Mit anderen Worten: Allgemeine Modelle können grundlegende Fähigkeiten aufnehmen, aber Probleme wie Streaming-Umgestaltung, Anpassung an vertikale Bereiche, Leichtbau großer Modelle und Beschleunigung der Inferenz müssen immer noch in echten Geräten gelöst werden. Erinnerungen, Aufgabenausführung, Apps und Abonnements entstehen nicht automatisch durch die Anbindung einer API.

Für ein Startup-Unternehmen ist es eine hohe Investition, gleichzeitig drei Modelllinien zu verfolgen. Aber Su Dans damalige Einschätzung war: Je stärker das allgemeine Modell wird, desto enger ist der Raum für den separaten Verkauf von ASR- oder TTS-Fähigkeiten. Was Hojo wirklich beherrschen muss, sind die Teile, die stark mit Hardware und Produkterlebnis gekoppelt sind, sowie die lange Strecke, die das Modell zurücklegt, nachdem es ins Gerät eingetreten ist.

Im Juni 2026 machte Hojo Hojo-ASR-V1 quelloffen und belegte in der gemessenen Rangliste des Hugging Face Open ASR Leaderboards den zweiten Platz, direkt hinter Microsoft. Sein kleinformatiges Hojo-TTS-Light-40M hat nur 40 Millionen Parameter, und die Antwortzeit des ersten Tons des Vollduplex-Modells erreicht die 100-Millisekunden-Klasse. Diese Indikatoren decken nur einen Teil der technologischen Kette ab – aber Hojo will das Problem lösen, ob eine Stimme nach dem Eintritt ins Gerät stabil verstanden, in Handlungen umgewandelt und zu Erinnerungen abgelagert werden kann, die für die nächste Interaktion aufrufbar sind.

02 Von einem Auto zu mehr Geräten

Zhao Hengyis Vorstellung von geräteübergreifenden intelligenten Agenten ist kein zufälliger Einfall, sondern stammt aus der fortlaufenden Entwicklung mehrerer Erfahrungen bei Automobilherstellern.

Bei Xpeng dachte er zum ersten Mal ernsthaft darüber nach, wie Sprache in die physische Welt eindringen kann. Sowohl Autos als auch Roboter verlangen von dem System, Menschen außerhalb des Bildschirms zu verstehen – damals prüfte der Schwarz-Klebeband-Test genau, ob Sprache Aufgaben unabhängig erledigen kann.

Bei NIO ließ ihn NOMI erkennen, dass Nutzer eine emotionale Bindung zu einem Interaktionsobjekt mit Stimme, Ausdruck und Persönlichkeit aufbauen. NIO arbeitete damals auch an Mobiltelefonen. Zhao Hengyi wünschte sich, dass NOMI auf mehreren Endgeräten erscheint, sodass Nutzer überall die Interaktion fortsetzen können.

Aber die Fähigkeiten eines Automobilherstellers lassen sich kaum auf alle Lebensszenarien außerhalb des Autos ausdehnen. „Wenn ich die Chance habe, ein Unternehmen zu gründen, sollte ich mich nicht nur auf das Innere des Autos beschränken“, erinnerte sich Zhao Hengyi. Genau zu dieser Zeit begann er, sich vorzustellen, die Verbindung zwischen KI und Menschen von der Fahrerkabine auf breitere Lebensszenarien auszudehnen – diese Vorstellung wurde später der Ausgangspunkt für die Gründung von Hojo.

Später, als er an AgentOS arbeitete, trieb er diese Überlegung weiter in Richtung Geräteübergreifendheit: Derselbe Agent sollte wissen, was der Nutzer auf verschiedenen Endgeräten getan hat, und verstehen, ob das vor ihm liegende Gerät aufnehmen, vorlesen oder Text anzeigen kann. Nach der Registrierung von Hojo im Jahr 2024 breitete das Team nicht sofort alle Szenarien aus, sondern kehrte zuerst zur vertrauten Automobil-Fahrerkabine zurück, um das erste Kernprojekt voranzutreiben.

Das Auto ähnelt einem Hochdrucklabor für Sprachtechnologie. Im Fahrzeug gibt es gleichzeitig Gespräche mehrerer Personen, Windgeräusch, Reifengeräusch und schwaches Netz – das System muss zudem geringe Latenz und hohe Stabilität erfüllen. In dieser Umgebung koppeln sich die Fähigkeiten der beiden: Su Dan befasst sich seit langem mit Fernfeldsprache und komplexer Akustik und kennt Mikrofonarrays, Vorderverstärkung und Robustheit in geräuschvollen Umgebungen. Zhao Hengyi ist dagegen besser mit Produktdefinition, Kundenanforderungen und Serienlieferung vertraut.

Nach Angaben von Hojo hat das Unternehmen einem großen Automobilkunden bereits einige Funktionen geliefert, und einige Fähigkeiten sind bereits in Fahrzeugen im Einsatz. Anstatt schnell mehr Großkundenprojekte zu kopieren, ist Zhao Hengyi bereit, zuerst einen Schlüsselkunden zu einem Referenzprojekt zu machen. Denn wenn Projekte zu schnell ausgeweitet werden, werden Ingenieure in verschiedene Anforderungen aufgeteilt, und die Entwicklungskraft wird zersplittert. Für ein Startup mit begrenzten Ressourcen ist es aussagekräftiger, ein Kernprojekt zu einem Referenzprojekt zu machen, als nur die Anzahl der Verträge zu erhöhen, um die eigenen Fähigkeiten zu prüfen.

Zhao Hengyi hat schon früh Erfahrung mit der Kombination von Software und Hardware im Bereich der Unterhaltungselektronik gesammelt. Das Automobilprojekt hat seine Fähigkeiten in komplexer Akustik, schwachem Netz, geringer Latenz und Serienproduktion weiter gestärkt. Heute werden diese Fähigkeiten auf Kopfhörer, Aufnahmegeräte und tragbare Hardware übertragen. Die akustischen Strukturen, Bluetooth-Verbindungen, Firmware und Apps verschiedener Geräte sind unterschiedlich – aber Fernfeldaufnahme, latenzarme Interaktion, Koordination von Ende und Cloud und Erfahrung in der Serienproduktion können wiederverwendet werden.

Die Schwierigkeit, die Hojo überwinden muss