蛙声科技辛鑫：正在成长的国际音频行业领袖

Lily：

疫情期间很多朋友都在线上开过会，即使没在线上开过会，在线下开电话会也遇到过一个非常常见的场景，大家都在喊：“能听见吗？”这种情况是视频会议中非常大的困扰。今天我们要聊的这家公司做所的产品就是这个问题的杀手锏，它能让声音更清楚、视频更清晰，是云视频会议的最佳伴侣。让我们欢迎蛙声科技的创始人兼CEO，辛鑫。那么这么一个常见的会议中的痛点是如何被挖掘出来、并被解决的？辛总介绍一下自己和蛙声科技这家公司吧。

辛鑫：

我是个理工男，在美国待的时间比较长。本科毕业之后去美国读书，在美国西北大学读了计算机博士，那时候做的更多的是关于信号处理的研究。毕业之后在微软以及亚马逊做了大概6年的研发，从技术的研发岗位一直做到研发经理、研发总监，也带过很多团队。

大公司的特点就是非常大，人在里边待久了就会产生疑问：这个公司为什么需要这么多人？

我们以前经常开玩笑，对一些公司来说可能减掉95%的人员也没什么影响。这是一种自嘲，但也代表了一种状态：你做了很多工作，但很难产生积极的影响，久而久之就会产生一种疲劳感。这时候就会想着怎么出来做点自己想做的事情。最开始也没有完全想清楚自己要做啥，2018年我刚好30岁，经济上也没什么太多压力，就想总得出来干点什么，后来就回国开始做这个公司。

我想做的事情就三点：第一个是要做To B；第二个是要做跟声音相关的，以声音为切入点，看在什么场景下对声音的需求会比较明确；第三个它必须是个完整的产品，它不能是一个方案性的东西。前几年语音比较火的时候，很多人出来做方案。很多方案公司只在整个产品里面做了很小的一环，这有非常大的问题：你如果只是做产品里面一环，议价能力是非常差的，整个产品也不是你的，所以最终解决方案价值是非常小的。

所以结合这三点，最后我还是觉得在视频会议这个场景做到第一的可能性比较大。视频会议对声音要求很高。对于开会大家都有体验，声音是最重要的，而且越有钱的公司的要求越高。比如说亚马逊，我以前招人很可能平均年薪都在50万美金以上。当一个公司每个人都很值钱的时候，多花点钱去增加沟通效率，是有意义的。所以这是第一点，视频会议对音频视频要求还是很高的。第二，To B产品是有明确的付费方的，大家做生意是有预算来买购买产品的。第三，它是个独立的产品，你可以通过渠道去卖，你可以通过电商去卖，不论通过什么方式你都可以把它卖掉。所以得出的结果是只有视频会议这个场景符合这三个条件，后来就决定做这个方向。

这是一个已经存在的行业，它也经历了行业发展。但是做到今天还是有很多痛点。原来很多设备，比如像宝利通的设备，所有的优化围绕当年设备开展的。宝利通最开始做这个产品的时候是IP话机时代，是通过IP电话去接入的，它和电脑是没法连接的。但是现在Zoom发展起来以后，所有的交互变成了以电脑为中心，音视频硬件就从专业的终端变成了外设。现在每个人开会都用电脑，但是电脑的音视频能力并不够，甚至今年卖得最好的电脑都是不带摄像头的。很多人可能家里原来是没电脑的，但是今年，小孩要在家里上网课，就需要买个电脑，他就会买一个小电脑，但可能这个电脑喇叭的声音根本没法听。

对于很多海外用户来说，他们的国家发展得比较好，很多人从小是有音乐教育的，他对声音非常敏感。卖电脑的厂商希望电脑做得越便宜越好，最后的效果就是音频质量非常差，视频也非常差。但是客户又有跟对面做交互的需求，所以厂商又希望音视频做得比较好，那怎么解决？只能通过一个 USB音视频的外设去做。所以我们切入的第一个场景就是做USB外设。原来大家对外设的理解就是摄像头，做得很低端、很便宜，效果很差。但是我们不一样，我们就是要把USB外设做得非常高端，把原来几十万的用在思科这类设备上的音视频能力做成外设。我们从18年5月份成立，到2020年5月份，做了两代产品，最后的效果就是我们的小外设具备原来几十万的思科的设备的能力，这是我们做的一个比较大的创新。

Lily：

蛙声的设备多少钱一台？

辛鑫：

我们有不同种类的，我们的客单价从几千块到几万块钱都有，假如说需要非常高端的沉浸式体验，100万我们也能做到。想要什么服务我们都可以量身定做。如果是个中小型企业，对音视频有一点要求，我们有1000多块钱的产品并且效果也不错。如果是一个大公司，有更高级的要求，会议室有大的、小的、中型的，我们也有解决方案。我们有串联的麦克风，一个麦克风虽然是USB外设，但实际上它具备了终端的能力，可以多个串起来。100平米到200平米的会议室我们都能搞定。

Lily：

您刚才一直强调说要做一个清晰的、质量好的产品，怎么定义一个视频和音频的产品好？什么算好？对于一个企业级的产品什么样的算好？

辛鑫：

首先对于企业级产品。第一它必须是能用的，必须稳定，不能三天两头出问题。什么样的产品可以称为稳定？我们一个大客户字节跳动，全球有几千个会议室，他的员工成本很高，并且开会非常高频，基本上7×24小时在开会，它的设备是一直在使用中。所以需要这个设备一直在使用中而不出现问题。

这个要求其实非常高。这对绝大部分的产品来说其实都很难，这一点我们做到了。

第二是你要有相对较好的效果，能适配各种各样的环境。比如说字节跳动的会议室玻璃很多；有的会议室很大；还有很多很小的会议室。你要保证它在各种环境下效果是好的，所以需要音频算法能适配各种各样的环境，这是非常大的工作量。做的产品只在自己公司的会议室内有效果不难，但如果要在各种会议室调整一下就能有很好的效果就很难了。因为你需要让算法能够适配所有不同的环境。

做理工科的都知道上限和下限，如果适配非常差的环境，产品的性能可能就到下限了，那么如何保证设备在适应各种环境的前提下，质量的波动还比较小？我们花了很多精力去做这个事情。最后的效果就是在最差的环境下效果也不会太差，但是在最好的环境下效果就非常棒。

Lily：

您说的最差的环境是什么样？

辛鑫：

我举几个例子：比如三面都是玻璃，一说话都能听到回声的；或者地面全是地砖，稍微动一下就有“啪啪”的声音；或者旁边就是另外一个会议室，隔音不好旁边的声音会传过来。所以我们的产品需要能在所有的环境里面找到一个最优，或者次优的状态。

Lily：

办公室环境这种影响会非常大吗？比如说有地板砖，如果用蛙声和不用蛙声有什么区别？能不能给我举个例子？

辛鑫：

如果用一些比较山寨的产品，在这种环境下声音是完全被淹没在混响里边的，你听不清。人在跟别人聊天的时候，假如说不太能听得清对方在讲什么，大脑就需要用很多注意力去分解，去理解对方讲了什么。

听不清楚，花了百分之七八十的精力去听对方在说什么，最后开完会非常累。公司花几百万雇个员工，开几个会开得就很累了，一天下来也没什么产出了。所以音视频会议质量好的话，对于远程交互、提高员工效率是非常有好处的。

以前像Facebook、领英这些欧美大公司都会花几十万上百万买思科那种非常贵的设备，就是这个原因。你能算出来花这个钱能够有多少产出，这笔账算得过来。所以越有钱的公司它会买越好的东西。员工效率越高，就能给公司赚更多的钱。

Lily：

蛙声归根到底还是做硬件。有人说，在中国做硬件就是一个巨大的坑，厂商要面临很多供应链的挑战、原材料的挑战，你有没有踩过这个坑？

辛鑫：

做任何东西都有坑，但是在中国做硬件算是比较幸福的一个事情，中国有天然的技术供应链优势。我们也踩过很多坑，公司从2018年5月份成立，第一代产品2019年7、8月份出来，做得一塌糊涂。这中间是有一部分供应链的原因。供应链就是这样的，你必须假设所有的供应商都是不靠谱的，必须有人去检查每一个过程。我前段时间在读有关小米的书，里面讲到小米第一代产品要出来的时候模具出了大问题，一个硬件负责人跟一个产品经理就在工厂哭了起来。该做的事情全部都做好了，但是供应商不靠谱。所以必须要有非常强的供应链管控。

Lily：

你们团队里有人做过硬件吗？

辛鑫：

最开始我们是想去找一个ODM厂商，让他们去跟。但最后发现不靠谱，他们底下的人接到项目然后就去完成项目，这个项目做得好坏跟他没关系。所以这事不靠谱，一定要有自己的供应链团队。

Lily:

所以蛙声现在是自建工厂吗？

辛鑫:

到第二次迭代的时候，我们就自己把供应链的人配齐了。我们有自己的采购，自己的结构，自己的品质经理，所有的环节都是可控的。选工厂也是，工厂必须要配合我们工作，所以中间也有很多要磨合的东西。但是我们并没有自建工厂，我们找了一些外部供应商一起合作，但我们自己的人是深度参与到项目里面的，每个环节都是自己来把控的。比如说做一个硬件产品，看起来很小很简单，但实际上中间的环节实在太多了。中间几百个零件怎么弄？怎么确保每个零件都是好的？这都是需要把控的问题。

Lily:

做硬件供应链的挑战非常大，而且听起来就像是疫情概念股一样的事情。英挥你当时是怎样看蛙声的？你是怎么发现这样一个公司？

邝英挥:

今天世界上市值最高的公司是个硬件公司，苹果，他可以把硬件做得非常好。从我们的电脑、手机到耳机，好的硬件设备可以很大程度上让我们的生活变得更美好。我发现音频其实挺有意思的，平常开车的时候，不同的车的音响效果是不大一样的；对于耳机来说，好的耳机和差的耳机效果也是很不一样的；家里面很多时候也会放一个音响。声学可以帮助我们更好地听音乐，更好地感知，更好地体验，声音其实挺重要的。

很多内容是经过精良制作的，不管是音乐还是播客，或者是车载的广播电台，都是在非常专业的空间里面采集音频信号，然后再通过耳机或者说通过扬声器的形式播放出来，它的采集端是相对封闭的。在播放端大家都能够感受到这个内容是好是坏，或者这个设备是好是坏，对于体验者来说差别非常显而易见。

采集端之前离我们挺远的，现在大家需要开会，视频会越来越多，采集就变得越来越重要。因为如果说话的这端没有采集清楚，听的那端也挺痛苦的。

想象一下用手机开一个微信对话，经常会发生两边互相听不清楚的情况。很容易在一个小的会议场景里面，说话的人开始使劲吼。开会这个场景和之前不大一样，因为它需要很好地采集声音。采集声音其实比播放还要难，非常难。我们觉得采集是非常重要的一个事，需要有公司能够做一个更适应越来越多远程办公、越来越多线上会议、越来越多通话的产品。所以我觉得音频和声学这块还是非常有技术含量。

Lily：

那未来Zoom有没有可能做这个产品呢？

辛鑫 :

音频确实是这么回事，原来的很多制作都是精良制作。专业的设备可以做得非常专业，而且场景可以100%限定，但是会议室场景并不是全部开放的，也不是完全限定的，这就是以会议室为切入点的好的地方。

比如说你要做个最优化的问题，必须有点限制。所以这就是个带限制的优化问题。你是在会议室的空间内解决问题的，是有解的。但是如果说要在外面弄个什么东西，那是不可行的。但在限定空间内，做优化问题就是让声音听起来更真实，让效果更好，这个是可以做的，而且可以长期做的。

可以把会议看成是远程交互的一部分。除了会议以外，还有像直播行业，泛教育行业，每个行业都很细分，需要的东西都很不一样。你要去覆盖整个市场，你可能需要50个SKU，或者需要100个SKU，这个就是比较有意思的地方。

做一个产品可能市场空间只有1个亿，但50个产品就是50个亿。你得非常精雕细琢去理解这个场景。这就是为什么Zoom不愿意做这个产品，Zoom做软件很赚钱，为什么做这么苦的生意？

Lily:

蛙声会打包将产品卖给Zoom的客户吗？

辛鑫:

确实有非常大的潜力可以合作的。而且我们做硬件厂商，会帮他卖东西，其实对Zoom来说也是一个重要的渠道。

Lily:

蛙声会走到 C端市场去跟天猫精灵或者小爱同学PK吗？或者您觉得有没有反过来的可能？比如说小爱同学也去做To B了。

辛鑫:

做智能音箱，可以通过一个SKU是个占领全球市场，占领全国市场。但是音视频市场非常细分，做产品的投入很多但其实回报没那么大。一个团队二三十人做个产品出来，卖不了几个，不划算。这是第一，很细分。第二，To B是需要渠道的。做渠道这个事不是互联网公司在早期擅长的事情，更像是上市之后的大型公司干的事情。

Lily:

您刚才提到渠道，智能会议硬件赛道门槛其实就是两点：一个是产品质量，一个是销售渠道。您刚才有大量的时间在讲产品这一块的优势，关于销售渠道这一部分您有什么心得吗？

辛鑫:

过去我花了很多时间做电商，但是最近一年花了很多时间做渠道，思路完全不一样。今年从疫情前到今天，我可能一天至少见两三波代理商客户。我们对渠道理解是相对比较深的，渠道的核心就是渠道必须要能赚到钱，这是最核心的东西。你怎么能让他赚到钱？这就需要给他做好服务。第一，你的产品是客户愿意接受的，第二你要做好渠道价格保护。

渠道管控这块很重要，我们要避免价格竞争。我在2020年初引入了一个合伙人，这位合伙人原来是在思科体系做渠道销售的，他花了一整年时间将我们整个销售渠道从0开始建设到现在有40多个人。

我们的销售渠道分区域。北区的销售总监是原来罗技北区的销售总监，东区的销售总监是原来MAXHUB的总监，西区是原来思科的一个人，南区是神州数码的一个人。虽然我没有做渠道的基因，但是我们团队里面是有基因的。每个区域再配七八个人，就是传统的做渠道分销的方法。

Lily:

现在渠道和自营哪个比例更高？

辛鑫:

线下的东西全是做渠道，我们自己理论上是不出货的，全部通过渠道去出货。举个例子，我们在苏州签了一个苏州本地相对比较大的一个分销商，他在苏州本地就有二三十个销售，我们通过它的销售再去覆盖苏州地区的很多集成商，苏州地区集成商可能是几千家，每一家可能手上都有8-10个客户。

一个人天天跑，跑不了几个客户出来。但通过渠道的方法，就可以实现规模化。这个事情我也不是第一个，也不是最后一个。

Lily:

这样看起来其实To B的生意如果做好了，是比To C容易很多的?

邝英挥:

就GGV来说，有一些硬件是我们自己买的，比如说手机、笔记本，我们自己从网上下单可以买。像会议室的设备，还有一些IT需要的设备，需要相应的一些服务和合作。比如说要根据会议室的情况和需求来推荐合适的产品，包括给推荐一些产品的测试。中间环节有一堆这样的服务公司，IT不是直接在网上买一个产品就能用的，有很多种方案，有不同的产品，都可能需要试一试。从谁那买呢？就是这些中间渠道商。渠道商、经销商、包括集成商，还有专门给企业做视频会议的服务公司，其实都是一类人。从效果上来说，我们可以测试市面上不同的产品，然后从中选取一个最适合我们的。

Lily:

您刚才提到一直讲我们的产品很清晰，无论是音频还是视频的质量都很过人，所以从技术上来说有什么样领先的优势？技术团队在公司占比大概是多少？

辛鑫:

我们公司虽然不大，到今天70多个人，研发有30多个人，不到40个人，但是我们有10个人是做音频算法的，我们在这方面投入其实蛮大的。我们从公司成立到今天将近小三年的时间，我们在上面投入是非常大的。

从前端的比如说像回声消除、降噪去混响，到后面非线性的混声消除，非线性的很多东西都是需要很多人去做的工作，非常细。而且算法这方面的人才非常少，我们自己也培养了一些人，从社会上也招了一些人。算法是一个非常细致的事情，但是只有算法是不充分的，除了算法以外，你还要理解场景，你要理解客户是什么样的情况，你要见到足够多的客户，算法适配不同客户的环境之后，才能说这产品是可以的。我们服务了几个大客户之后，整个产品已经优化得非常极致了，拿出去都不会有人来抱怨我们音频的问题了。

很多时候从想法到算法到落地这个过程，必须是要有反馈的，要有东西卖出去，你跟客户才有交流才有反馈。在没有反馈之前，你所有的想的东西（和实际的东西）都不一样。我做什么样的产品？可以有无穷无尽的种类。你也可以抄市面上某个产品，但假如说抄的产品本来就不成功该怎么办？或者你抄的时候有很多想法，在原本基础上加一点自己的想法，进行了创新。但创新不一定是对的，你可能是往一个坏的方向去了。所以必须做出产品，并且有客户之后，你才能有反馈。为什么像海康、大华这么成功？因为它有客户，可以持续迭代。这是很多公司没有的。

Lily:

思科和保利通这样的公司，已经有很多年的技术积累和运营经验了，在技术上一定比咱们更成熟。如果有一天思科进来赛道，你应该怎么面对这种挑战呢？

辛鑫:

原来很多中国公司做硬件是没有任何软件的东西的，很多深圳的公司连研发都没有，做个产品出来就卖了。但我们这代人不一样的，虽然我们在美国待的时间也没那么长，但也有10年，我们代表的是欧美最先进的研发实力，我们的研发实力不比思科、保利通差。

而大企业可能会有的问题在于，他们的创新性是否一直能保证领先？这是第一。第二，它的成本非常高，他需要养市场推广的人、研发的人，而且上市公司要面临很多资金、毛利的要求，所以产品价格必须很高，要不然是亏的。但我们可以赢得成本优势。我们产品的效果也很好，长期看来这个市场一定是我们的。

Lily：

再问您一些运营有关的事。您刚才讲一代产品的事，一代到二代之间是有一年多的时间，在公司有这么多很多人力成本开销的情况下，您当时资金是怎么撑下来的？

辛鑫:

我以前做过电商，做过运营，我大概知道省钱是多么重要。我们非常节省，这是我们的一个缩影。我们做了两年，最后发现账上钱一分钱没少。第一，我非常认同一个观点，以前拉卡拉的董事长孙陶然讲得非常好，在公司产品可卖之前一定要最小化，这个就是我们做的事情。在产品可卖之前我们没有任何多余的投入，我们甚至连管理投入都非常少，主要就是在研发上面的投入。

因为你产品都不能卖，找销售没有用，只增加成本。所以在产品成熟之前你需要节省成本，没有人知道这个产品能不能做出来，能不能成功。谁也不知道。

Lily:

英挥你在做尽调的时候，你觉得蛙声最吸引你的是什么？

邝英挥:

产品。我觉得GGV投了挺多好产品的公司，包括小鹏、小牛。都是全球数一数二的产品。我们当时在装修新办公室，跟我们IT聊天，问新的音频、视频用什么。他们说全是进口的，很贵。我说难道现在中国没有好的公司吗？GGV一年要视频开会要开很多个小时，老板们特别在意这种体验，我们其实也愿意投入，去找世界上能找到的最好的产品来给我们一个最好的体验。试过那么多之后，发现还是那几个少数的进口产品才能够支撑，而且它们在中国没有支持和服务体系。我当时就觉得很奇怪，偶然的机会看到蛙声之后，就拿来试试。

既然有产品了，最好的方法就是拿过来试试。在我们的会议室里面装了一段时间蛙声的设备，当时IT给我的原话是完美适配了我们的会议室，他觉得这是我们测过的（产品）里面综合效果、体验、性价比最好的产品。我还记得跟合伙人们沟通的时候，说这不是一个性价比版本的国产替代，直接对标全世界最好的性能。

Lily:

我记得上次跟辛总开会的时候，我们用蛙声的摄像头，有一个很有意思的功能，可以把两个人的头像聚集在一起。

辛鑫:

很多时候人们还是有沉浸性的体验需求的。举个例子，我7月份的时候跟另外一家投资机构的人聊，当时离对方很远，根本看不清他的表情，我觉得那次沟通非常差，后来跟对方面对面效果就好了很多。

很多时候如果沟通看不到对方的表情，你不知道该讲什么，沟通效果是很差的。所以我们基于这个问题做了一个新的功能，就是会议室里边谁在说话，就把谁的头给抠图出来，这样话可以把人的表现看得很清楚。

这个可以通过人工智能实现，我们可以通过人体检测把人定位得很清楚，再通过声源定位把说话的人给框出来。我们是一个非常高科技的公司。什么叫高科技？让你用起来之后感觉不到有任何高科技的东西，但是又把你的问题解决掉了。

邝英挥:

我还记得当时问IT说这个麦克风的技术很难吗？他说真的很难，看着可能就是这么一个硬件。但其实里面有大量的算法。人说话的声音可能离得远、离得近，还会有回声，会有敲击键盘的噪音、走路的噪音，会有各种各样的声音。如何准确地把人的声音识别出来并保持它的清晰度，这背后有大量的算法。所以这是一个非常有技术含量的产品。想象一下一个好的耳机或者好的音箱有多贵？可以有很贵的，而且效果是真的好的产品。其实麦克风比耳机、音响还要难做。

Lily:

未来如果世界范围内疫情好转了，您认为后疫情时代视频会议赛道增长会不会变缓，对您会不会有什么影响？

辛鑫:

我觉得分三个方面来回答。第一，我们2018年开始做这个事情，那时候连Zoom都没有上市，所以首先要认可我们的眼光。我们看准这个赛道。

第二，很多人认为事情的发生都是事件驱动的，但我们认为还是长期积累下的需求决定的。举个例子，很多小公司都有三四个办公室，可能做模式创新的在北京；做电商要在杭州；做供应链、做生产要到深圳，多个地方办公已经成了常态。要做国际化，海外还有很多人，所以国际化是一个长期的趋势，需要在各个地方放不同的人。所以远程的沟通是必要的。

第三，疫情结束之后，很多原来没有视频会议使用体验的人，他会逐渐开始使用这个东西了。原来没有这个习惯，现在有习惯了，并且疫情之后（人们会）发现回到办公室，人变多了音视频效果更差了，所以还是要买产品。我相信未来几年整个行业的复合增长率会在50%以上。

很多时候一个市场兴起之后才是最好玩的时候，因为它已经有足够的市场基础量了，你在里面可以抢别人的生意。当这个市场没有起来的时候，你抢过来100%也没有多大。