全球有数亿人试图学习第二语言，但只有一小部分最终能真正开口交流。他们可能在某款应用上连续打卡数百天，攒下令人艳羡的连胜纪录，却在一个真实的外国人突然开口问路时僵在原地。语言学习行业把这种现象称为“流利度幻觉”——学习者积累了大量可识别的词汇和语法规则，却从未跨越从“认得”到“说得出”之间的鸿沟。这个鸿沟，恰恰是阿姆斯特丹初创公司 Eevi 试图切入的位置。
Eevi 成立于 2025 年，由 Filemon Schöffer 和 Jago Gazendam 联合创立。公司宣称其语音优先的 AI 语言辅导平台能让学习者在第一天就开始说目标语言，而不是像主流应用那样把用户困在点击、滑动和词汇记忆的循环里。2026 年 9 月 22 日，Eevi 宣布完成种子前轮融资，由早期投资机构 Rockstart 领投。融资金额未披露。
这笔融资的规模并不大，但 Eevi 切入的问题却足够尖锐：当生成式 AI 的语音能力已经足以支撑实时对话，语言学习产品是否还需要延续“翻译—选择—打卡”的旧范式？如果答案是否定的，那么下一个问题就是——一个真正的语音优先界面应该长什么样？Eevi 的创始团队承认，他们在开始做这件事的时候，自己也不知道答案。
| 字段 | 内容 |
|---|---|
| 公司 | Eevi |
| 轮次 | 种子前轮 |
| 金额 | 未披露 |
| 投资方 | Rockstart（领投） |
| 总部 | 荷兰阿姆斯特丹 |
| 创始人 | Filemon Schöffer（联合创始人兼 CEO）、Jago Gazendam（联合创始人兼 CTO） |
| 官网 | https://eevi.ai |
从聊天记录到白板：一次界面重建暴露了语音优先的真正含义
Eevi 在 2026 年 1 月至 6 月进行了为期六个月的封闭测试，约一百名高级学习者参与。据公司披露，测试期间最有价值的发现之一，恰恰来自对产品界面的否定。联合创始人兼 CEO Filemon Schöffer 在 Tech.eu 的访谈中称，Eevi 最初的平台和大多数大语言模型产品一样，采用基础聊天界面，用户可以看到自己说了什么、Eevi 说了什么的文字记录。但团队发现，一边试图说话一边阅读文字记录，实际上是一种很糟糕的体验。
这个发现推动 Eevi 重建了界面。据 Schöffer 描述，现在的产品本质上是一块空白画布或白板，Eevi 会在有用的时候动态引入辅助多媒体元素。例如，AI 可能会说“我们已经练习了这些词，现在来练习听它们”，然后在屏幕上调出一个音频播放器。这种设计选择意味着，学习者的注意力不再被固定在书面文字上，而是被迫——或者说被引导——回到听觉和口语本身。
从产品逻辑上看，这是一次有意义的转向。大多数 AI 语言学习产品仍然以文本为底层交互逻辑，语音只是输入输出的一种替代方式。Eevi 的做法则试图把语音提升为第一公民，文字记录被降级为可选的支持元素。团队围绕白板界面开发了一系列多媒体元素，由 Eevi 动态引入，而不是要求学习者持续跟随书面文字记录。这种设计路径意味着，产品团队需要预先判断在哪些教学节点上引入何种辅助元素，而不是让用户自行在文字和语音之间切换。但这也带来了一个待验证的问题：对于零基础学习者而言，完全脱离文字支持是否可行？Schöffer 称，Eevi 会根据学习者水平决定初始对话使用母语还是目标语言，但公司尚未披露零基础用户在完全语音环境下的留存和完成率数据。
500 个词覆盖 80% 日常对话：一个需要被拆解的课程主张
Eevi 的课程设计基于超过 15 个语言学习学术框架，覆盖超过 150 个动态主题与场景，从家庭生活、购物到外出就餐。据公司披露，课程围绕语境中的词汇和常用句子构建，并称约 500 个在语境中掌握的单词可覆盖约 80% 的日常对话。这个数字在语言学习领域并不陌生——它呼应了语料库语言学中关于高频词汇覆盖率的经典研究——但 Eevi 将其作为产品设计的前提，而非营销口号。
关键在于“在语境中掌握”这个限定条件。孤立记忆 500 个单词和能在真实对话中灵活调用 500 个单词，是两种完全不同的能力。Eevi 的语音优先设计试图直接训练后者，这构成了它与传统词汇记忆类产品的核心差异。课程设计有意弱化语法讲解和机械记忆，转而关注学习者多快能把所学内容用起来。这种取向意味着，课程内容的组织逻辑可能更接近场景驱动的对话脚本，而非按语法难度递进的教材体系。不过，公司尚未披露任何关于学习者从“认识”到“会用”转化率的量化数据，也没有说明这 500 个单词的具体筛选标准是否因语言而异。一个合理的编辑推断是：如果 500 个单词的覆盖率主张成立，那么 Eevi 的课程效率优势将主要体现在缩短“从学习到开口”的时间差上；但这一推断的前提——学习者确实能在 Eevi 的对话环境中完成从识别到产出的迁移——目前仍缺乏独立验证。
Gemini 的边界就是 Eevi 的边界：方言、语言覆盖与模型依赖的结构性约束
Eevi 目前使用 Gemini 作为语音模型，覆盖约 14 种语言，包括日语、印尼语和中文。据公司披露，Gemini 近期更新将把覆盖范围扩展至约 35 种语言。这意味着 Eevi 的语言支持能力直接受制于基础模型的路线图，而非公司自身的研发节奏。
这种依赖在方言层面表现得更为尖锐。Schöffer 在访谈中承认，不同的大语言模型支持不同的方言，这已经成为一个更大的问题。据他透露，Eevi 已经收到用户反馈，称“我母亲说这种方言，我想学它”，但模型并不支持。公司正在探索是否可以将为 Eevi 构建的技术用于支持方言和濒危语言，Schöffer 认为这可能是一个基于同一底层技术的独立产品。
这是一个值得注意的信号。它表明 Eevi 的创始团队已经意识到，单纯做一个通用语言学习产品可能不足以建立长期壁垒，而方言和濒危语言的长尾需求或许能提供差异化空间。从产品延伸逻辑看，如果 Eevi 的对话引擎和课程生成机制确实与具体语种解耦，那么迁移到方言或濒危语言的主要瓶颈可能集中在基础模型的语音识别与合成能力上，而非课程框架本身。但反过来看，这也暴露了当前 AI 语言学习产品的一个共性瓶颈：当基础模型本身无法处理某种语言变体时，应用层的任何优化都无法弥补这一缺口。对于一家种子前阶段的公司来说，将产品命运部分押注在 Gemini 的语言覆盖扩展上，是一个无法回避的结构性风险。
与 Duolingo 的错位竞争：不是更好的打卡应用，而是另一种产品类别
语言学习市场最显眼的参照物是 Duolingo。这家上市公司用游戏化机制和连胜打卡建立了一个庞大的用户基础，但它的核心训练模式仍然以文本识别、选择和短句翻译为主。Eevi 的定位与 Duolingo 形成了明显的错位：前者训练的是“看到能认”，后者训练的是“听到能说”。
从竞争格局看，Eevi 并不试图在 Duolingo 的主战场上正面交锋。Duolingo 的优势在于规模、品牌认知度和成熟的变现体系，这些都是 Eevi 在种子前阶段无法企及的。Eevi 的机会在于，Duolingo 的语音功能更多是作为练习的补充环节存在，而非产品的核心交互逻辑。如果语音优先确实能带来更高的口语流利度转化率，那么 Eevi 有可能在“严肃口语训练”这个细分场景中建立自己的位置。
但“有可能”和“已经证明”之间还有很长的距离。Eevi 的封闭测试仅涉及约一百名高级学习者，这个样本量既不足以验证产品对初学者的适用性，也不足以支撑任何关于学习效果的统计结论。公司尚未披露测试后的用户留存数据、口语能力提升的评估方法，或者与人类辅导老师的对照实验结果。在缺乏这些数据的情况下，Eevi 目前更像是一个有清晰产品主张的实验，而非一个已被验证的学习方案。从市场定位角度看，Eevi 与 Duolingo 的错位是否成立，最终取决于一个尚未回答的问题：那些在 Duolingo 上积累了长期连胜却无法开口的用户，是否愿意为“会说”这个结果切换到另一个产品，并为之付费。
创始团队的连续创业履历与这笔融资的资本信号
Eevi 的两位创始人并非首次创业。CEO Filemon Schöffer 此前联合创立了 Hubs.com，该公司被 Protolabs 以最高 3.3 亿美元的交易收购；之后他担任欧洲心理健康平台 OpenUp 的首席商务官，并合著了《The 3D Printing Handbook》。CTO Jago Gazendam 的职业生涯始于在曼谷 NIST 国际学校整合技术，之后创立了多家健康科技初创公司，Eevi 标志着他回归教育领域。
这样的履历组合在种子前阶段并不常见。Schöffer 的退出经验和商业化背景，加上 Gazendam 的教育科技与工程交叉背景，构成了一个相对完整的创始团队画像。但连续创业者的履历也是一把双刃剑：它降低了投资人对团队执行力的不确定性，却并不自动转化为产品市场契合度。Rockstart 作为领投方，其投资逻辑可能更多基于团队的历史记录和语音 AI 赛道的时机判断，而非 Eevi 当前的产品表现——毕竟，一个仅有一百名测试用户、尚未披露商业模式和付费客户的产品，很难提供传统意义上的 traction 证据。
从资本结构看，本轮仅披露了 Rockstart 一家投资方，融资金额未披露。这通常意味着两种可能：要么是金额较小的种子前轮，投资方结构简单；要么是公司选择不公开完整信息。无论哪种情况，Eevi 的资本储备都远未达到可以大规模获客和验证商业模式的水平。公司称资金将用于加速增长和产品开发，使团队能够扩大运营规模，同时继续完善动态语言课程。但“加速增长”在种子前阶段的具体含义——是扩大测试规模、正式上线产品，还是启动付费转化——公司并未明确说明。从公开信息看，产品当前是否已正式上线或仍处于测试阶段，同样未明确。
商业模式未披露：一个在 AI 语言学习赛道中无法回避的空白
Eevi 的商业模式在公开信息中完全缺失。公司没有披露定价策略、收费方式、目标客户是 C 端个人学习者还是 B 端机构，也没有说明是否计划采用订阅制、按课时付费或企业授权模式。在 AI 语言学习领域，商业模式的选择直接关系到产品设计和用户获取成本。
如果 Eevi 选择直接面向消费者，它将面临一个经典难题：用户对语言学习应用的付费意愿普遍偏低，而 Duolingo 的免费增值模式已经锚定了用户的价格预期。如果 Eevi 选择面向企业或教育机构，它需要证明语音优先训练能带来可量化的学习成果，而这恰恰是当前最缺乏的数据。Schöffer 在访谈中提到，Eevi 的目标是提供比昂贵人类辅导老师更有效的替代方案，这暗示公司可能将人类辅导的价格作为锚点。但“比人类辅导便宜”和“用户愿意为此付费”之间，还隔着产品效果验证和支付意愿测试两个环节。
另一个值得注意的细节是，Eevi 为每位用户建立个人记忆，追踪已教内容和学习者反应。Schöffer 认为这是相比通用聊天机器人的附加价值。从产品角度看，个人记忆确实能提升对话的连贯性和个性化程度，但它同时也增加了推理成本和隐私合规的复杂性。在商业模式未披露的情况下，这些成本如何被覆盖，是一个悬而未决的问题。更具体地说，如果 Eevi 的推理成本与对话时长和记忆深度正相关，那么语音优先产品的单位经济模型可能比文本优先产品更脆弱，这需要公司在定价和成本控制之间找到平衡，而目前没有任何公开信息表明这种平衡已经被找到。
生成式 AI 的词汇错误与待验证的学习效果假设
Eevi 面临的风险清单中，有一条在公开材料中被截断，但指向了一个关键问题：生成式 AI 可能在词汇上出错。对于语言学习产品而言，这是一个比普通聊天机器人更严重的隐患。学习者无法辨别 AI 输出的词汇是否准确，尤其是在目标语言水平较低的情况下，错误输入可能被学习者当作正确知识吸收。
Eevi 的应对策略是将其课程建立在超过 15 个学术框架之上，并围绕语境中的词汇和常用句子构建内容。这在一定程度上可以降低 AI 自由发挥的空间，但并不能完全消除错误。公司尚未披露是否引入了人工审核环节、错误检测机制，或者对 AI 输出的词汇范围进行了硬性约束。从已披露的信息看，Eevi 的课程内容似乎是预先构建的，AI 的作用更多是在对话中引导学习者使用这些内容，而非自由生成教学材料。如果这一推断成立，那么词汇错误的风险主要集中在对话引导环节，而非课程内容本身。但公司并未明确说明这一边界。
更根本的待验证假设是：语音优先的 AI 对话是否真的能比传统方法更有效地提升口语流利度。Eevi 的整个产品逻辑建立在这个假设之上，但目前的证据仅限于创始人的产品直觉和一百名高级学习者的测试反馈。公司计划推出对话式入学评估，通过目标语言对话动态评估能力，这显示团队正在构建自己的评估体系。但评估体系的建立只是第一步，它能否证明学习效果优于替代方案，才是决定 Eevi 能否在语言学习市场中站稳脚跟的关键。从产品演进角度看，对话式入学评估如果落地，可能同时承担两个功能：一是降低新用户的启动门槛，二是为后续的学习效果对比提供基线数据。但这两项功能目前都还停留在计划阶段，尚未有公开数据支持其有效性。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Eevi 的价值不在于它融了多少钱，而在于它把一个被行业默许的妥协——用文字识别代替口语能力——重新变成了问题。当语音 AI 的成本和延迟终于低到可以支撑实时对话，语言学习的瓶颈就不再是技术，而是产品设计者是否有勇气把文字从界面的中心位置拿走。Eevi 的白板界面是一次值得关注的尝试，但它的命运最终不取决于界面有多干净，而取决于一个更朴素的问题：一个从未开口说过目标语言的人，能不能在 Eevi 的对话里真正学会说话。这个问题的答案，一百个高级学习者的测试给不了，需要的是更大规模、更初级的用户，以及一个愿意为“会说”付费的市场。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。