离线语音和在线语音的本质区别只有一条：识别在哪里完成。离线方案的语音识别发生在家电本地的芯片上，毫秒级响应、断网照常工作、音频数据不出户；在线方案则把声音传到云端服务器识别，能理解全域自然语言、能连续对话、能接内容服务，但每一环都压在网络上。家电选型不该问"哪个更高级"，该问"你的产品需要哪种交付"。
先把一个流传很广的误解摆上台面：很多人认为"能听懂口语化表达 = AI = 必须联网"，于是得出"离线语音只能听固定几个词"的印象。这个等式不成立。以 CSK3022 为例，它的"自由说"意图识别（用户不必背命令词，用接近日常的说法就能表达意图）是在本地芯片上离线完成的（2M Flash 内置本地模型），全程不联网。"表达更自由"和"要不要联网"，从头到尾是两个独立的维度。
同样的道理反过来也成立：在线语音也不必神化，它是另一种交付。两者不是性能高低的关系，而是识别发生地的关系。离线交付的是确定性、时延和隐私，在线交付的是内容服务与生态。搞清这一点，选型就从"站队"变成了"对号入座"。
本文先用"同一条指令的两种旅程"把两者的工作路径讲具体，再用一张五维对照表收拢差异，然后给出家电选型的三问判据，最后划清"离线不够用"的边界，并说明 CSK3021/CSK3022 在这个框架里站在哪。
关键要点 - 本质区别只有一条：识别在哪里完成——离线在本地芯片（毫秒级、断网可用、音频不出户），在线在云端（全域自然语言、连续对话、内容服务） - "自由说 ≠ 要联网"：CSK3022 的"自由说"意图识别是 2M Flash 里的本地离线能力，"表达自由度"和"是否联网"是两个独立维度 - 家电的可用性权重高于手机：断电了用户能忍，"断网了语音就瘫"在待客、卧室场景是灾难 - 三问判据：指令可枚举吗？要内容服务/远程控制吗？断网时产品还要好用吗？——三问答案直接落选型 - 离线做不了内容型需求（点歌、天气、百科），这类产品该上在线或混合架构，不必硬撑离线
一条指令的两种旅程
理解两者区别最直观的方式，是让同一句指令走两条路，看看各自会发生什么。
指令是同一句："风速调到三档。"
旅程一：离线方案。 这句话被麦克风拾取后，信号直接进入家电内部那颗语音芯片。芯片在本地做声学特征提取和匹配，命中唤醒与命令词条，把"风速三档"映射成一条既定的控制指令，通过 UART 送往电机驱动电路，电机随即切换档位。整个过程没有一步离开这台机器：数据不出户，耗时是本地的毫秒级处理（具体的时延数字取决于整机设计，这里只作定性），断网与否对它毫无影响。代价也在这条路上看得清楚：芯片只认识写入 Flash 的那些词条。CSK3021 这类方案是语音注册加固定命令词，你说"把风弄大点"，它可能就接不住了。
旅程二：在线方案。 同一句话被拾音后，先经音频前端处理，然后通过网络上传到云端服务器。云端的大模型完成语音识别和语义理解，它不需要你提前"教"过，因为知识面是全域的。识别出"风速调到三档"这个意图后，指令再沿网络下发回设备执行。这条路换来的能力是质的提升：用户可以问天气、点歌、闲聊，说法随便换。但依赖也写在这条路上：上传靠网络，识别靠云端服务，下发还靠网络，每一环都压在网络上。网络抖一下，体验就抖一下；网络断了，语音功能整体停摆（除非设备本地留了降级手段）。
两条旅程的对照已经把核心差异讲完了：离线是把"理解能力"装进产品，在线是把"理解能力"租用云端。 前者买了就归你、断网也在；后者按需取用、上限更高，但持续依赖服务。这不是好坏之分，是交付方式之分——就像自带水源和接市政管网：市政停水那天，你不会去比较哪个供水方式"更高级"，只关心家里还有没有水。选哪种，取决于你对"断供"的容忍度。
五维差异对照表
| 维度 | 离线语音方案 | 在线语音方案 |
|---|---|---|
| 识别位置 | 家电本地的语音芯片 | 云端服务器（ASR + 语义理解） |
| 断网表现 | 完全不受影响，语音功能照常 | 依赖厂商降级策略；多数情况语音功能大幅受限或停摆 |
| 响应时延 | 本地处理，毫秒级（定性） | 受网络往返与云端负载影响，随网络状态波动（定性） |
| 隐私 | 音频不出设备，数据不出户 | 音频需上传云端，取决于厂商的数据处理政策 |
| 能力边界 | 固定词条 + 本地意图识别（如 3022"自由说"），词条范围内很稳 | 全域自然语言理解、连续对话、内容服务（天气/音乐/百科） |
| 成本结构 | 一次性 BOM 成本（芯片 + 少量外围，具体核算见 BOM 拆解文） | 通常含持续云服务费用，按量或按年计（以各厂商政策为准） |
这张表里有三个格子值得多说两句：
断网那一行，是家电与手机选型逻辑的分水岭。 手机的语音助手偶尔断网，用户无所谓——因为手机本身能干的事太多了。家电不一样：一台语音风扇买回来的核心卖点就是"动嘴不动手"，如果夜里断网连"关灯""关扇"都说不动，这个卖点瞬间归零。
风扇、取暖桌断电了用户尚能理解，但"断网了语音就瘫"在待客场景是灾难——客人来家里，主人对着茶吧机喊了三声没反应，说"我家网不太好"，场面就很尴尬。家电语音交互的可用性权重天然高于手机，这是场景属性决定的，参数表上看不出来。
时延那一行，坚持只做定性。 网上能查到各种具体的响应时间数字，但那是特定测试条件下的值，整机链路（麦克风、结构腔体、驱动电路）都会影响它。写成定性的"本地毫秒级 vs 随网络波动"，比给一个来路不明的毫秒数负责任得多。
成本那一行，是总账思维的入口。 离线方案的成本在 BOM 采购那一刻就封顶了；在线方案的成本是"采购 + 运营"，云服务费用会跟着设备生命周期走。做产品立项时，这一行决定了两种方案连财务模型都不一样——这也是我们在语音芯片 BOM 成本拆解里强调"把持续性成本也算进总账"的原因。
家电语音怎么选：三问判据
对照表是全景，落到具体产品上，用三个问题就能完成分流：一问可枚举，二问要内容，三问断网兜底。
第一问：用户指令是否可枚举？
风扇的档位、窗帘的开合、取暖桌的档位调节，这些产品的指令集合是有限的、可以在立项阶段全部列出来的。指令可枚举，离线方案就足够：把词条写进 Flash，把意图映射到控制指令，体验是确定的。判断尺度很简单：如果用户想做的所有事，你都能穷举成一张有限长度的清单，离线就装得下。 反例也在这里：如果用户会想"放首周杰伦的歌""明天要带伞吗"，清单就列不完了。
第二问：要不要内容服务与远程控制？
凡是涉及"调取外部信息"（天气、新闻、百科）或"内容播放"（音乐、有声书）的需求，离线方案在物理上就做不到——这些信息不在设备里，必须联网取。远程控制（App 联动、出门关电器）同理，控制链路本身要经过网络。这类需求没有讨价还价的余地：要么上在线方案，要么做混合架构，下文会讲。
第三问：断网时产品是否还要好用？
这一问决定"混合"还是"单线"。如果你的产品定位要求语音功能 24 小时可靠待命（茶吧机、卧室风扇、老人用的取暖桌），那么无论主方案是在线还是离线，断网兜底能力都应该在架构里。纯在线方案需要确认厂商的降级策略（断网后哪些指令还能走本地）；而以离线为基线的方案天然免疫这个问题。
三问的组合答案，基本就锁死了方案形态：指令可枚举 + 不要内容服务 + 断网要好用 → 纯离线；要内容服务/远程控制 → 在线或混合；待客与卧室类高可用场景 → 离线基线兜底。四芯片横评文里的选型决策树，走的就是这条线上的具体分支。
"离线不够用"的边界
写到这一节，必须先把话说公平：离线方案有它物理上做不到的事，本文不替它遮掩。
内容型需求（点歌、查天气、问百科、连续闲聊），离线语音做不了。原因不需要复杂的解释：这些能力依赖的知识库和语言模型规模，远超一颗家电 SoC 内置 1M~2M Flash 所能承载的量级。想在家电上实现"播放周杰伦的歌单"这类体验，正确路径就是上在线方案，或者做混合架构。
混合架构（离线兜底 + 在线增强）是当前家电语音比较务实的产品级设计：设备里同时放一颗离线语音芯片承担唤醒、基础控制和断网兜底，联网时再接云端服务扩展内容能力。这样"风速调到三档"永远秒响应，哪怕路由器重启；"明天天气怎么样"在有网时也能答。代价是两套能力的成本与管理复杂度都要背。
但这里要接上本文开头的那个纠偏：混合架构解决的是"内容服务从哪来"的问题，它不能反过来证明"离线=低级"。 一个常见的错误推导是："我要做混合架构，说明离线部分是凑合的；所以纯离线方案都是凑合的。"两码事。离线芯片在混合架构里承担的恰恰是最关键的岗位：待命与兜底。内容可以没有，"灯关不掉"不能发生。
还有一层也要说透：混合架构是产品级设计，不是语音芯片选型能一步到位的。 对硬件工程师而言，正确的顺序是先把离线基线选好（唤醒可靠、词条覆盖核心控制、断网可用），再叠加在线层。离线基线不稳，在线层做得再花哨，断网那一刻产品照样裸奔。
CSK3021/CSK3022 在这个框架里的位置
把本文开头的认知纠偏落到具体产品上：CSK3021 和 CSK3022 都是纯离线方案。 它们的识别、意图理解、指令输出全部发生在本地芯片上，不联网、不依赖云服务。
而两者在离线体系内部，还有一道能力阶梯，这正是"自由说 ≠ 要联网"这个纠偏的最佳例证：
- CSK3021（1M Flash）：语音注册 + 固定命令词。用户按预设词条说话，芯片精确匹配执行。它在本文框架里对应"指令可枚举"那一类产品的标准答案——风扇、窗帘、茶吧机、取暖桌四个成熟场景都是这么落的。
- CSK3022（2M Flash）：引脚逐脚兼容 3021，唯一差异是 Flash 翻倍，换来了离线的"自由说"意图识别——用户不必背命令词，用接近日常口语的说法表达意图，芯片在本地完成理解。它的表达自由度接近在线方案，但识别仍然发生在芯片里，断网照常工作。
也就是说，从 3021 到 3022 的升级，是"离线体系内的能力升级"，不是"从离线迈向在线"。表达更自由了，数据依然不出户；理解更口语化了，响应依然走本地毫秒级。如果你此前因为"想要更自然的交互"而考虑过上在线方案，先确认你的需求到底是"说法自由"还是"内容服务"——前者 3022 离线就能给，后者才真正需要联网。（两者硬件兼容的细节与升级路径，见《CSK3021→CSK3022 升级路线图》。）
顺带一个现实约束，如实说明：3022 的"自由说"意图识别目前官方公开口径支持的是风扇、暖风机场景，持续扩展中。需求场景若不在此列，立项前请向原厂确认——这也是我们给所有客户的统一口径。
给三类读者各留一句定位建议：
- 做小家电的工程师：指令可枚举、预算紧、要求断网可用——从 CSK3021 开始评估，它用 1M Flash 加内置功放把 BOM 和布板都压到了离线方案的低位（9 颗 0402 外围的那笔账，见 BOM 成本拆解文）。
- 想要口语化交互的产品经理：先区分"表达自由"与"内容服务"。前者找 3022（自由说和固定命令词的差异见专文解析），后者规划混合架构，不要用联网去买"自由说"。
- 规划全屋智能的架构师：混合架构成立的前提是每台设备有一条可靠的离线基线。先把各设备的本地语音守住，云端才是锦上添花。
常见问题 FAQ
Q1：离线语音和在线语音到底怎么选？ 用三问收口：①用户指令是否可枚举？可枚举→离线足够。②要不要内容服务（天气/音乐/百科）或远程控制？要→必须在线或混合。③断网时产品是否还要好用？要→离线兜底。三问答完，方案形态基本锁定，剩下的是在离线阵营里比具体芯片。
Q2：断网后语音还能用吗？ 分方案回答。离线方案：识别在本地芯片，断网毫无影响，这是它的核心交付。在线方案：取决于厂商的降级策略——有的设备本地保留了少量基础指令（如开关），有的则语音功能整体停摆。选在线方案时，"断网后哪些指令还能走本地"应作为必问项写进需求清单。
Q3：离线语音以后能升级成在线吗？ 不能靠固件升级解决——两者的差异是架构级的：识别发生在哪里、数据走不走网络，这决定了硬件链路和成本结构完全不同。可行的路径是混合架构：设备里保留离线芯片做兜底，另加联网模块接云端服务。但这是立项阶段就要定的事，不是产品上市后的补丁。
Q4：在线语音有持续费用吗？ 通常有——云服务（识别、语义、内容）一般按调用量或按年计费。具体费率各厂商差异很大且政策会调整，本文不引具体数字，以各厂商现行政策为准。立项时把它计入设备全生命周期的运营成本，和离线方案"一次性 BOM 封顶"的成本结构分开算账。
Q5：智能音箱是在线还是离线？ 典型的是"在线为主 + 本地唤醒"的混合形态：唤醒词检测在本地芯片完成（所以断网时喊它能应一声，但后续对话做不了），识别与内容服务在云端。这个例子恰好说明两件事：唤醒和识别可以分层；而音箱"断网就变哑"的体验，也反证了为什么家电产品更需要离线兜底。
结语：分界只有一条，组合才是常态
回到开头那条分界线：离线语音和在线语音的本质区别是识别在哪里完成。 由此派生出五个维度的全部差异：断网表现、时延特性、隐私边界、能力上限、成本结构。
对家电人，三句话收束全文：
- 别问哪个高级，问需要哪种交付。 确定性与隐私在离线手里，内容与生态在云端手里，先认领再选型。
- 家电的可用性权重高于手机。 待客、卧室、老人场景里，"断网了语音就瘫"不是技术瑕疵，是产品事故——离线兜底应成为这类产品的默认选项。
- "自由说"是离线体系内的升级。 CSK3022 用翻倍的 Flash 在本地实现了口语化意图识别，"表达更自由"不需要用联网去换。
选型的终点往往不是二选一，而是组合：离线基线守住可靠性与隐私，在线层按需叠加内容能力。而无论最终怎么组合，那条离线基线是绕不开的第一步。
如果你的家电项目正在离线、在线、混合之间做取舍，找上微智芯拿 CSK3021/CSK3022 样品与选型评估支持——三问判据先分流，样机实测做验证。
样品免费申请 · 成熟方案约 3 天出固件 · 验证与量产均无起订量