## 摘要

我把 Lovense 这类触觉设备接入了实时虚拟形象角色聊天。重点并不是成人设备本身，而是一个更大的问题：当对话、语音、表情、视频和物理输出被放到同一条时间线上时，角色的「存在感」可以增强到什么程度？

实际结果很明确。与其把一切都交给语言模型，不如给它一个很小的触觉 DSL。当前的本地 LLM 很难一边写角色台词，一边想象完整的时间强度曲线。但如果提供 `wave`、`breathe`、`pulse`、`loop` 这样的部件，即使模型不够聪明，也能生成相对有意图的动作。

这篇文章记录的是一个仅限管理员使用的 MVP。主题带有 NSFW 背景，但工程问题本身是角色 AI 的身体性：如何让一个聊天角色拥有类似身体的输出通道。

## 背景：有增长，但还没有依赖

Kotonia 将实时虚拟形象和角色聊天组合在一起。至少在我的观察范围内，把图像、语音、视频和聊天体验都做到较高水准，并放进同一个角色体验中的服务还不多。

入口已经出现了一些信号。通过文章、X 运营和自然搜索，而不是付费广告，在 Google 开始展示之后约一个月，注册用户数达到了 70。这说明顶部漏斗的假设并不差。

但付费墙是另一回事。目前付费用户仍然是零，强依赖信号也很少。也就是说，「有趣」和「愿意每月付费」是两种状态。我需要寻找下一个更大的产品假设。

当时有两个方向。

第一个是面向开发者的服务：API、SDK，以及进一步的浏览器内 Linux agent。更远一点，可以变成带有虚拟形象的 Claude Code 式体验。

第二个就是这次的物理接触控制。Lovense 是一个方便的起点，因为它对 UX 的影响很大，也容易和现有资产结合。长期目标也许不是触觉设备，而是人偶、机器人，或者更完整的具身 agent。Kotonia 本来就重视实时性和行为抽取，如果物理设备层调得足够好，这里可能存在机会。

## 参照的上下文

直接刺激来自 [Kyure_A 在 2025 年的 Hatena Blog 文章](https://kyre.hatenablog.jp/entry/2025/05/06/212549)。那篇文章探索了通过外部工具让 LLM 控制成人设备的可能性。

我的实现选择了不同的接口。不是把设备直接暴露给 MCP server，而是让角色聊天的返回中包含结构化触觉命令。用户可见的文本会被清理，命令则作为数据返回给前端。这样才能把对话、语音播放、虚拟形象发话和触觉输出绑成一个产品体验。

它也延续了之前的内部实验，例如 [Voice-first local LLM](/zh/articles/voice-first-local-llm/) 和 [功能已经存在但 UX 才是瓶颈](/zh/articles/features-existed-ux-was-the-bottleneck/)。

## 触觉输出就是可变长时间序列

核心模型很简单。触觉控制可以表示为时间和强度构成的二维序列。

例如：

```text
3x2, 0x0.8, 5x4
```

它可以表示「强度 3 持续 2 秒，停止 0.8 秒，强度 5 持续 4 秒」。仅凭这一点，就可以为一句发话生成大致的触觉片段。

但要让对话和物理输出同步得舒服，固定序列还不够。对话里有停顿，有犹豫，有逐渐增强、减弱、再增强的变化。用户会从这些变化里读取意图。

所以我加入了最小 DSL：

```text
wave(6,1,7,4)
breathe(8,2,5)
pulse(2,7,0.25)
loop(2){breathe(6,2,5),0x0.6,wave(4,1,6,3)}
```

`wave` 表示一段波形，`breathe` 表示类似呼吸的起伏，`pulse` 表示短促节拍，`loop` 表示重复内部模式。模型不需要设计完整波形，只需要组合部件。

这个做法比预期更有效。即使本地 LLM 不够聪明，循环和呼吸感也能让输出不再像单调的机械震动。

## 用文字长度估算发话时间

实际执行前不一定总能拿到准确的音频长度。MVP 中，我先根据生成文本的长度估算发话秒数，再允许触觉命令被堆叠到这个大致窗口里。

这不是严格同步。但作为第一版体验已经足够。角色说话时设备开始动作，说完后停止，中间可以插入停顿、波形和强度变化。仅仅这样，就和固定强度的持续输出完全不同。

关键不是帧级同步，而是控制在用户会觉得「这段动作是在回应当前台词」的范围内。

## 提取结构，而不是依赖正则残留

最开始，聊天返回里会混入这样的命令：

```text
{{TOY: loop(2){breathe(6,2,5),0x0.6,wave(4,1,6,3)}}}
```

但原来的聊天管线会在返回最终消息前移除未知命令和多余标记。这对 UI 很好，却会让触觉命令在到达前端前被删掉。

修复方式是把可见文本和触觉命令当成两个结构。显示给用户的消息中移除标记，前端则接收类似 `toyCommands` 的字段。这样 UI 渲染和设备控制就不会互相污染。

完成这一步后，普通聊天返回已经可以把触觉命令稳定送到前端。

## 为什么 loop 会坏

最麻烦的 bug 是 `loop`。内部的 `loop(2){...}` 自己有大括号，外层 `{{TOY: ...}}` 标记也有大括号。简单正则很容易在错误的位置停止。

模型还经常漏掉最后一个 `}`。在嵌套 loop 语法里，合法命令末尾可能是 `}}}`。这个形状本来就不好看，弱模型经常只输出两个大括号。

最后解析器改成了扫描器。看到 `{{TOY:` 之后，按大括号深度寻找真正的结束位置。如果只缺一个外层闭合大括号，且可以明确恢复，就进行补正。这样，`loop` 内部包含 `wave` 和 `breathe` 时也能稳定到达前端。

## 作为用户的实际感受

最意外的是，单纯强度并不是关键。停顿、减弱、再回来，反而更有效。

如果设备在整句台词中一直保持同一强度，很快就会显得机械。但如果中间有短暂停止，有呼吸一样的起伏，或者随着发话上下变化，就会让人感觉角色在观察时机。模型本身并没有变聪明，只是时间结构变好了。

这就是这次实验的核心。本地 LLM 还没有聪明到可以同时想象对话内容、语音长度、用户状态和物理输出的时间空间。因此，降低抽象层级的 DSL 和补齐时间的执行系统才有价值。

不是提高智能，而是构造一种让智能可被感知的时间结构。

## 安全约束

MVP 只开放给管理员。一般公开必须谨慎。至少需要这些约束：

- 只有明确启用的管理员可以使用
- UI 中显示设备连接状态
- 限制最大强度、最大秒数和连续执行时间
- 丢弃未知命令
- 始终提供立即停止按钮
- 成人场景必须以年龄确认和同意为前提
- 区分哪些日志可以保存、哪些不应保存

这不是普通遥控器。当对话 AI 获得物理输出时，UX 强度和风险会同时上升。

## 下一步

下一层是更复杂的 `wave` 组合、多层输出、条件循环，以及更细的语音片段同步。发话开始、语尾、沉默和用户打断都应该成为事件，触觉模式可以挂在这些事件上。

最终，同一条时间线不只应该控制触觉设备，也应该控制手臂、表情、姿态、视线、简单机器人，甚至人偶型设备。

图像、语音、视频和聊天已经足以形成很强的幻觉。剩下的问题，是如何把它们整合成一个拥有身体的对象。这次实验只是一个很小的入口。

## 小结

这次得到的结论是，物理接触 UX 并不只由模型智能决定。

即使是能力有限的本地 LLM，只要触觉命令被结构化，时间和强度由 DSL 表达，并且执行时与发话时间对齐，体验就会明显增强。停顿、波形、呼吸和重复都很重要。

角色聊天的下一个差异化点不只是更大的模型。当模型拥有身体时，它在什么时候动、动多久、如何和语音时机相关联，会成为 UX 本身的一部分。


将 Lovense 触觉设备接入实时虚拟形象角色聊天，并用小型 DSL 弥补本地 LLM 在时间同步上的不足。