每个宠物主人的梦想，可能都是知道自己的宠物在说什么。
猫在凌晨对着卧室门叫，是饿了、无聊，还是单纯希望所有人都醒着？狗听见门外的声音突然吠叫，究竟是在害怕、警告，还是认出了熟悉的脚步？人类和宠物共同生活了上万年，仍然经常只能依靠经验、表情和一点自信过头的直觉作答。
近几年，一些结合了 AI 的应用开始尝试替主人给出一个更明确的答案。
例如猫语翻译应用 MeowTalk 会录下猫叫，将其归入“开心”“生气”“疼痛”“捕猎”或“需要关注”等 11 类意图，再把结果改写成人类能够理解的句子。公司称，这款应用下载量已经超过 2,000 万，用户上传了超过 2.8 亿次猫叫，建立了 800 多万个猫档案。
几秒钟的等待后，一声喵可能变成“陪陪我”。
这种体验很容易让人产生一种感觉：似乎横在两个物种之间的墙终于裂开了一条缝。可问题是，屏幕上的答案究竟是猫的心声，还是来自人类预先写好的选项？
MeowTalk 允许主人纠正翻译，再从列表中选择一个更符合当时情境的说法。模型由此逐渐熟悉某一只猫。可如果答案最初由主人提供，机器学到的也可能只是主人对猫的理解。人类相信猫在撒娇，于是把这声叫标成“想要关爱”；模型以后再听见相似声音，便更有把握地告诉人类：猫在撒娇，一个循环就这样形成了。
问题是，这到底算不算翻译？抛开宠物 App 的界面，AI 理解动物的声音，目前究竟做到了什么程度？
动物在跟谁说话
人类语言翻译拥有一个巨大的便利：同一句话通常能够在另一种语言中找到对应表达。模型可以阅读双语文本，学习“苹果”与“apple”之间的关系，再从数以亿计的例子中理解词语在不同句子里的位置。
但动物的声音没有这样的平行语料。一段鸟鸣或者一串蝙蝠的尖叫出现时，不会同时附带一行字幕。研究人员连一句可靠的译文都没有，更不用说用几百万组成对的句子训练模型。
于是，动物语言研究首先要完成一件看起来不太像语言研究的工作：记录谁发出了声音，当时面对谁，周围发生了什么，以及声音结束后，其他动物做了什么。
2016 年，特拉维夫大学的研究团队连续 75 天监控埃及果蝠，把录音与视频逐一对应。他们最终得到近 1.5 万段能够确认发声者、接收者和行为背景的叫声。对人耳来说，这些声音大多只是挤在一起的蝙蝠争吵；机器学习模型却能以 61% 的准确率判断争吵与食物、交配、睡觉位置还是栖息空间有关，随机猜测的准确率只有 25%。
辨认争吵发生在什么情境，只是第一步。研究人员还想知道，动物是否会用不同的声音指向特定同伴。
2024 年，研究人员分析了狨猴在看不见彼此时进行的 53,993 次呼叫。他们发现，模型可以根据声音判断一只狨猴在呼唤哪个同伴；同一家族的狨猴，对同一个体使用的声音标签也更相似。随后进行的回放实验显示，当狨猴听到原本就是对自己发出的呼叫时，回应概率高于听到面向其他同伴的呼叫。
野生非洲象的研究采用了相似的路径。研究者先整理 469 次能够确定发声者和接收者的低频隆隆声，让机器学习模型寻找与特定接收者相关的声学结构；再到野外播放录音。大象听见原本对自己发出的声音时，回应得更快，叫得也更多。
这些发现常被简单地说成动物也会“叫名字”。目前能够确认的是，某些叫声包含了接收者的个体信息。但研究者尚未指出大象名字位于叫声的哪个部分，也不知道狨猴是否像人类一样，把一个稳定的词与某个个体联系起来。声音标签还可能同时包含亲疏关系、紧张程度和说话者当时的状态。
这些研究真正建立起来的是一条验证链：先记录声音和行为，让 AI 发现人耳忽略的模式，再提出假设，最后把声音播放给动物，看它是否作出符合预期的反应。而 AI 位于这条链的中间，要判断它有没有听懂，仍要依据链条另一端的动物来验证。
鲸的字母表
如果放在海里，这条验证的链路会变得格外漫长。
抹香鲸大部分时间生活在人类难以观察的深水中。它们用一组组被称为“尾声点击”（coda）的声音进行交流，声音听起来像有人在水下有节奏地敲击木块。研究人员能够录下点击声，却很难同时看清是哪一头鲸在发声、它面对谁，以及几百米外正在发生什么。
Project CETI 为此把动物语言研究做成了一项海洋工程。水听器负责持续录音，吸附在鲸身上的传感器记录运动和潜水状态，无人机从空中观察鲸群关系，海上机器人寻找发声的个体。AI 需要的训练数据，最终来自这些设备与研究人员多年跟踪的结合。
2024 年，CETI 和麻省理工学院的研究人员分析了东加勒比抹香鲸群的 8719 组尾声点击。他们发现，鲸会组合使用节奏、速度、轻微的时序伸缩和额外点击。过去被归为同一类型的声音，内部可能还有大量稳定变化。论文把这套组合结构称为抹香鲸的“语音字母表”，可区分的声音形式比此前的估计多了近一个数量级。
“字母表”这个说法很容易让人误认为实现了语言上的破译，但它实际回答的是声音由哪些部分组成，以及这些部分怎样组合。研究者仍不知道其中大多数形式表达什么。
2025 年，CETI 又推出了鲸声模型 WhAM。研究团队先使用音乐训练声音模型，再用约 1 万段抹香鲸尾声点击进行调整。WhAM 可以补全被遮住的点击，也能把人声、音乐或其他声音转换成结构逼真的抹香鲸式点击。
这类能力在技术上很接近语言模型的“续写”：给模型一段序列，它预测接下来最可能出现的部分。WhAM 能够生成听起来像鲸的声音，也能保留鲸声中的节奏特征。它没有因此获得“食物”“幼崽”或“船”的概念。
声音形式与含义之间，缺少的仍是现实世界。同一组点击可能随着发声者、关系和情境发生变化。母鲸与幼鲸的对话、下潜前的协调、鲸群重逢时的交流，也许会使用相似的声学材料。研究人员必须把模型找到的结构重新放回鲸的生活中，观察它在什么情况下出现，又引发什么反应。
这也是动物语言基础模型面临的局限。Earth Species Project 训练的 NatureLM-audio 已经可以识别物种、叫声类型和生命阶段，也能在部分任务上处理训练时没有见过的动物。然而其官方使用说明仍明确写着：模型目前不能判断动物的情绪，也不能翻译动物在说什么。
与其翻译，不如先学会回话
理解含义还有另一条路径：先发出声音，再观察动物如何回答。
传统的动物叫声回放实验通常很短。研究人员播放一段预先录好的声音，记录动物接近、离开、回叫还是毫无反应。声音本身不会根据动物的回答发生变化，因而更像广播，很难模拟真正的交流。
2026 年，Earth Species Project 与麦吉尔大学等机构的研究人员公布了一项斑胸草雀实验。他们分析了超过 1,000 小时、150 万次雌性斑胸草雀叫声，训练了一个可以实时检测、预测并生成叫声的模型 ZF-AIM。当鸟发出声音时，模型会决定何时回答，并生成相应的鸟叫；鸟也会调整自己的回应时机和声音结构。部分互动呈现出真实鸟类交流中的轮流发声和声学适应。
这项研究尚未经过同行评议，也没有告诉人类斑胸草雀在谈什么。它证明了一件稍有不同的事：AI 可以掌握一段交流的节奏，让动物把机器发出的声音纳入自己的互动。
Google 与 Wild Dolphin Project 开发的 DolphinGemma，则试图把这种互动带进海里。这个约 4 亿参数的声音模型用数十年积累的大西洋斑点海豚录音训练，可以分析一段海豚声音，并预测接下来可能出现的声音。
与模型配套的 CHAT 水下设备没有直接翻译天然海豚叫声。研究人员先为海草、围巾等海豚感兴趣的物体设计全新的合成哨声，希望海豚学会模仿某个哨声来索取相应物品。如果海豚发出表示“海草”的声音，设备识别后会提醒潜水员递出海草，从而强化声音与物体的联系。
某种程度上来说，这项研究可以称得上是双方共同创造了一套简易词汇。人类暂时不必猜测海豚原本的声音是什么意思，双方从一个可以验证的关系开始：发出某种声音，得到某件物品。
第一批可靠的跨物种对话，可能因此显得相当朴素。它不会让海豚讲述昨夜的梦，也不会让鲸评论经过的货轮。它可能只有几个请求、警告或回应，每一个信号都必须经过反复实验，确认动物确实理解并愿意使用。
这套小词汇的价值，反而来自它不那么像人类语言。
宠物翻译器出售的是确定感
科学研究可以花几年确认一个声音标签，但宠物主人们显然等不了那么久，例如笔者现在就想知道，我家的小猫为什么大清早就在门口叫个不停。
在这种迫切的需求下，近两年也的确出现了一批宠物 AI 公司，开始尝试各种方式来破解宠物的语言，比如用更多信息弥补单一叫声的不足。Traini 开发的模型同时分析狗的声音、面部、身体动作、活动状态和环境信息。公司称，其数据覆盖超过 200 万只狗和 120 多个品种，并在 2026 年开放了宠物情绪识别 API，计划把模型装入智能项圈和手机。
多模态方向符合动物行为研究的基本常识。狗的叫声需要结合尾巴、耳朵、身体姿势、主人动作和周围环境理解。但信息多了，模型也可能不看狗、只看背景。
2025 年，一项研究让 GPT、Gemini 和 LLaVA 等视觉语言模型识别狗的情绪。面对来自互联网、带有普通用户标签的照片时，部分模型表现尚可；换成实验环境中拍摄、裁去大部分背景的拉布拉多犬面部图像后，模型表现降到接近随机水平。给同一只狗换上草地、沙发、雨天或诊所背景，也会改变模型对“开心”“放松”或“悲伤”的判断。
模型看见的“悲伤”，有时来自阴雨背景；所谓开心，也可能只是草地和阳光。
因此，就目前的技术水平下，相比给宠物配上一整句台词，任务更窄的产品可能更容易得到验证。例如，加拿大公司 Sylvester.ai 就通过让用户拍摄猫的正面照片，模型根据耳朵、眼睛、胡须、口鼻和头部姿势，来判断猫是否可能处于疼痛或不适状态。它采用兽医学中的猫科疼痛表情量表，只提供舒适度提示，也明确说明结果不能替代诊断。
这显然离“翻译猫语”还很远，却更能回答一个实际的问题：模型的提示有没有帮助主人更早发现异常。猫未必需要用一句人话描述牙痛，主人发现它神态不对，随后由兽医检查出问题，这条信息就有了可以核实的结果。
回头看我们前面谈到的所有进展，从蝙蝠吵架到鲸鱼字母表，从大象的名字到草雀的实时对话，再到现在识别猫的状态，AI 真正能做到的其实一直是同一件事：帮人类听见（以及看见）更多此前听不见的东西。它能从十几万次叫声里捞出人耳分辨不了的差异，能发现咔嗒声里藏着可以自由组合的结构，能生成一段让鸟愿意接话的声音。但从听见到听懂，中间隔的那一步，至今没有被跨过。
2025 年，Jeremy Coller 基金会设了一个一千万美元的大奖，颁给第一个实现跨物种双向交流的团队。首届十万美元年度奖给了研究海豚哨声的 Laela Sayigh，她在佛罗里达的萨拉索塔湾跟踪同一群宽吻海豚跟踪了几十年。一千万美元的奖金，足以证明人类对于这一梦想的迫切程度。
而首届年度奖的去向，则说明这件事很难只靠一次算法突破完成。AI 可以在几十年的录音里寻找人耳难以发现的模式，也能帮助研究人员更快提出和检验假设。但让这些模式获得意义的，仍是像 Sayigh 一样愿意在野外蹲守多年、默默收集动物叫声的人。
回到家里的猫狗，道理其实也一样。App 可以分析一次叫声，把它归入饥饿、紧张或需要关注；主人还要看看它当时站在哪里、盯着什么，又会对开门、加粮或者抚摸作出怎样的反应。
所以，想读懂家里的猫狗，除了打开一个 App，终归还是需要你多看它几眼。
参考资料：
1.https://www.meowtalk.app/
2.https://www.nature.com/articles/srep39419
3.https://www.zoology.ubc.ca/edg/pdfs/Oren2024.pdf
4.https://www.nature.com/articles/s41467-024-47221-8
5.https://projects.earthspecies.org/naturelm-audio/prompting_guide.html
6.https://blog.google/innovation-and-ai/products/dolphingemma/
7.https://www.globenewswire.com/news-release/2026/05/21/3299008/0/en/traini-launches-the-world-s-first-pet-emotional-intelligence-api-opening-a-new-era-of-ai-for-non-human-communication.html
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成