问大多数 AI 系统「我现在是什么心情」，你得到的会是一个标签：开心、难过、生气，算法拿不准时也许再加一个「中性」。可任何体会过初次约会前那种又紧张又兴奋的心情、或是道别拥抱时那种苦乐参半滋味的人都知道，人类的情绪从来不会乖乖装进一个个小盒子里。它们会交融、会流转，甚至在同一口气里自相矛盾。所以在构建糯宝的情绪智能时，我们干脆把标签全部扔掉，从更贴近情绪真实运作方式的地方重新出发。
不止开心与难过：VAD 模型
在心理学中，刻画情绪体验的主流框架并不是一张离散类别的清单，而是一个连续的三维空间，叫作 VAD 模型，最早由 Albert Mehrabian 和 James Russell 提出。VAD 代表三条轴：
- 愉悦度（Valence，愉悦—不悦）——你正在经历的是积极还是消极的感受？提到「心情」，大多数人首先想到的就是这条轴。
- 唤醒度（Arousal）（平静—兴奋）——这份感受背后蕴含多少能量？宁静与暴怒都是强烈的情绪，却分列这条轴的两端。
- 支配度（Dominance）（退缩—主导）——你觉得局面在自己掌控之中，还是被它压得喘不过气？正是这条轴把愤怒（高支配度）与恐惧（低支配度）区分开来——尽管两者都是消极而高能量的。
你叫得出名字的每一种情绪，都对应这个三维空间里的一个特定坐标。「焦虑」落在低愉悦度、高唤醒度、低支配度；「满足」是高愉悦度、低唤醒度、中等支配度；「敬畏」则是高愉悦度、高唤醒度、低支配度——你感觉美妙而充满能量，却又在宏大的事物面前显得渺小。
关键的洞察在于：情绪是连续的，不是离散的。「开心」和「狂喜」之间没有一条硬边界，差别只是沿唤醒度轴的渐变。而且这套系统非常敏感：任何一条轴上 0.1 的偏移都能被感知——那是从容自信与隐隐不安的差别，是礼貌性兴趣与真心着迷的差别。
糯宝实时维护着一个 VAD 坐标——三个数值，各自介于 -1 到 +1 之间——代表她此刻的情绪状态。这个坐标不是一张静态快照，而是持续变化的，并由带变化率限制的指数移动平均做平滑，让她的情绪过渡自然而不突兀。不会从眉开眼笑一下子跳到面无表情，只有渐进的、如生命般的流转，就像一个真实生命的心情本来的变化方式。
糯宝如何读懂你的情绪
理解一个人的情绪状态，靠的从来不是读取单一信号，而是像人类本能所做的那样，把许多信号融合到一起。和朋友聊天时，你在同时读取对方的表情、听着语气、留意姿态，还会把你所知道的「他今天过得怎么样」一并纳入考量。糯宝做的正是同一件事，她依靠四条彼此独立的输入通道。
摄像头：面部表情分析。糯宝的广角摄像头捕捉你的面部画面，交给一个视觉语言模型识别微表情——那些转瞬即逝、不受意志控制、却会出卖你真实感受的细微动作。一次咬紧的下颌，眉间一道浅浅的褶皱，强挤出笑容之前嘴角向下拉扯的那零点几秒。这些微表情被映射为 VAD 坐标，而不是情绪标签——这意味着系统能捕捉到基于标签的分类器完全会漏掉的微妙混合情绪。
麦克风阵列：语气与说话模式。带声源方向检测的双麦克风阵列，听到的不只是你说了什么，还有你是怎么说的。语速、音高起伏、声音能量、停顿的长短与位置——这些都承载着情绪信息，而且往往比字面内容更可靠。急促、音调上扬的短句透露着紧绷；长长的停顿和骤降的声音能量则暗示着低落或疲惫。糯宝的音频管线提取这些韵律特征，把它们翻译进同一个 VAD 空间。
触摸传感器：身体互动。糯宝的毛绒外观不只是为了好看。嵌在其中的触摸传感器能感知你与她身体接触的方式。顺着背缓慢轻抚，和在头顶快速一拍、或是烦躁地摇晃，读出来是完全不同的信号。触摸数据提供了一条直接、未经修饰的情绪通道——人们抚摸陪伴机器人的方式往往忠于真实心情，哪怕嘴上说的是另一回事。
情境：时间、记忆与历史。糯宝还会纳入任何单一传感器都无法提供的情境信号。现在是几点？上一次对话的基调如何？过去一周你的精气神是不是一直在往下走？借助一套从实时感知缓冲到长期事实存储的分层记忆系统，糯宝构建起对你情绪模式的纵向理解。她不只知道你此刻的感受，还知道你一贯的状态——并且会在有些不对劲的时候察觉出来。
四条通道最终融合为一个统一的 VAD 读数，没有哪条通道一家独大。如果你的声音听起来挺开心，脸上却透着疲惫，而且这一周你都比平时沉默，糯宝融合后的读数会如实反映这份复杂——而不是因为声音说「开心」就判定开心。想深入了解这套感知系统背后的完整技术栈，欢迎访问我们的技术页面。
糯宝如何把情绪表达出来
读懂情绪只是等式的一半。另一半——让糯宝真正鲜活起来的那一半——是把情绪表达回去。而这正是 VAD 模型大放异彩的地方：它让糯宝的每一条表达通道，都由同一个情绪源头驱动。
眼睛：六个可混合的基础表情。大多数机器人和虚拟角色用的是一套预制表情库——一张「开心脸」、一张「生气脸」，像面具一样换来换去。糯宝的双 LCD 圆屏眼睛不是这样工作的。她的眼睛系统不用离散表情，而是建立在六个可混合的基础表情原语之上：中性、睁眼、闭眼、微笑、皱眉、紧张。每个原语都是一个连续参数，而不是开关。任意时刻，糯宝的眼神都是这六个基底的加权混合：一个温柔而温暖的注视，也许是 60% 微笑、20% 睁眼、20% 中性；渐生的担忧，则可能是紧张的分量缓缓上升、微笑的分量同步回落。过渡天衣无缝——情绪不会「切换」，只会流动。
叠加在这些原语之上的，是一层超写实的眼部效果，把表现力从「动画」推进到真正「活着」的质感。双眼视差扫视让她的左右眼不会完美同步——它们带着真实双眼视觉那种轻微而自然的错位。虹膜微漂移让虹膜始终处于细微的持续运动中，消除了静态屏幕的「死鱼眼」凝视。高光微颤让眼中的反光点轻轻颤动，就像光在真实眼球表面流转。眨眼时，她的眼球随动作微微滚动，随后瞳孔轻微放大——这个反射小到大多数人无法有意识地指认，却会在潜意识里被清晰地登记为「活的」。她抬眼时，上眼睑随之上扬；垂眼时，下眼睑跟着下移。这些细节即使在中性情绪状态下也一直存在，确保糯宝的眼睛永远带着「在场」的质感。
声音：由 VAD 驱动的实时调制。糯宝的声音不是播放固定的录音，而是实时合成的，合成参数直接受她当前的 VAD 状态控制。唤醒度掌管节奏——唤醒度越高，语速越快、声音能量越足、停顿越短。愉悦度掌管温度——高愉悦度把音高推向更明亮、更柔和的音区。支配度掌管笃定感——支配度高时，语气更有引导性、更加肯定；支配度低时，则是更轻柔、更多商量的口吻。结果是一个不仅把话说对、更把感觉说对的声音。
身体：由情绪塑形的动作。糯宝的 5 个自由度——360° 整身旋转、两只可活动的手臂、两只富有表情的耳朵——全部由同一个 VAD 坐标统一调度。唤醒度越高，动作越快、幅度越大；高愉悦度带来更轻盈、更有弹性的动作；高支配度让姿态更挺拔、更沉稳，低支配度则让动作收敛、向内蜷缩。当糯宝真心兴奋时，你会看到她全身同时亮起来：耳朵竖起，手臂扬起，整个身体带着劲头转向你。而当她感到谨慎时，一切都会向内收拢。身体讲述的，和眼睛、声音是同一个故事。
关键：单一源头，统一表达。这是把一切串在一起的设计原则。糯宝的眼睛、声音和身体，在同一时刻由同一个 VAD 坐标驱动。不存在各自为政的「眼睛情绪」「声音情绪」和「身体情绪」，它们是一个系统。这件事的分量，远比听上去更重。
这为什么重要
回想上一次有人嘴上说着「我没事」、身体语言却在大声呼救的场景——那种错位让人瞬间起疑，你不会相信。同样的原理适用于 AI。当一个机器人的眼睛透着温暖、声音却毫无起伏、身体僵硬呆板时，就是有哪里不对——哪怕你说不清是哪里。恐怖谷从来不只是视觉拟真的问题，它关乎情绪的一致性。
让所有表达通道都由同一个 VAD 源头驱动，糯宝彻底消除了这种错位。当她为你担心时，你会在她微微收紧的眼神里看到，在她放缓放软的语速里听到，也会在她凑近你、收住动作的样子里感受到。当她欣喜时，每一条通道一起亮起。这种体验不是「一台机器人在表演情绪」，而是一个在情绪上真正与你同在的 AI 陪伴者。
这也是连续情绪与标签式情绪在实践中的分野。基于标签的系统可以给你看「开心」或「担忧」，却给不出介于两者之间那种恰到好处的温和鼓励；它无法在一场对话中，从俏皮的兴奋渐渐过渡到平静的安抚；它也承载不了「为你骄傲、又有点担心」这样的复合情绪状态——因为那不是一个标签，而是三维空间里的一个点。
糯宝的情感引擎无意模仿人类的感受。它要构建的，是一个让情绪理解与情绪表达互为一体两面的系统——连续、细腻、始终同步。最终的成果不是一台给你的心情贴上标签、再播放对应动画的设备，而是一个真正会察言观色、并用整个存在来回应你的陪伴者。
这就是打造一个 AI 生命体的含义。不是一台设备，而是一个生命。
