华为创新赛获奖复盘：如何用纯端侧 AI 打造一款“有温度”的 HarmonyOS Next 应用？

前言：在刚刚结束的华为创新赛中，《智伴》凭借其独特的儿童陪伴场景荣获“场景奖”。作为一个单机运行的儿童应用，它在没有网络连接的情况下，依然实现了高质量的语音交互、视觉看护和体感游戏。这听起来似乎有些不可思议，但得益于 HarmonyOS Next 强大的端侧 AI 能力，这一切成为了现实。本文将复盘《智伴》的诞生过程，从架构设计到技术选型，揭秘这款获奖作品背后的技术细节。

一、 为什么选择做“单机”儿童应用？

在移动互联网时代，几乎所有应用都依赖云端服务。但对于一款面向儿童的陪伴应用，我们从立项之初就决定走“端侧优先，单机可用”的路线。

这一决策基于以下三点考量：

1. 隐私安全（Privacy First）：
   儿童的语音、照片、视频等数据极其敏感。如果将这些数据上传云端处理，一旦发生泄漏，后果不堪设想。HarmonyOS Next 的 AI 能力（Speech Kit, Vision Kit）完全在端侧 NPU 上运行，数据不出设备，从根源上保障了隐私安全。

2. 全场景可用（All-Scenario Access）：
   儿童的使用场景非常多样，可能是在户外公园、在行驶的汽车上，或者在没有 Wi-Fi 的老家。单机应用不依赖网络，随时随地都能提供稳定的陪伴体验。

3. 零流量成本（Zero Cost）：
   对于家长来说，无需担心应用消耗大量流量；对于开发者来说，省去了昂贵的服务器带宽和 AI API 调用费用，极大地降低了运营成本。

二、 《智伴》的技术架构：模块化与原子化

为了在单机环境下实现复杂的功能，《智伴》采用了基于 ArkTS 的模块化架构。

1. 总体架构图

《智伴》的架构可以分为三层：

• UI 交互层 (Presentation Layer)：基于 ArkUI 构建，采用 @ComponentV2 状态管理，提供流畅的动画和交互体验。
• 业务逻辑层 (Business Logic Layer)：
  • 游戏引擎：负责体感游戏的逻辑判定（如 MonsterComponent）。
  • 陪伴引擎：负责语音对话管理（如 AgentPage）。
  • 看护引擎：负责后台视觉监测（如 MonitorComponent）。
• 原子能力层 (Capability Layer)：
  • AI 能力：封装了 Core Speech Kit (TTS/ASR) 和 Core Vision Kit (Object/Skeleton Detection)。
  • 数据能力：使用 SQLite (relationalStore) 存储用户进度和古诗词数据。
  • 媒体能力：利用 AVPlayer 和 TextReader 处理音视频播放。

2. Entry 模块结构解析

项目采用了标准的 HarmonyOS 工程结构，核心代码集中在 entry 模块中：

entry/src/main/ets/
├── common/             # 公共组件与工具
│   ├── speech/         # 语音能力封装 (TTSManager, TTSEngine)
│   ├── stotext/        # 语音识别封装 (SpeechRecognizer)
│   └── utils/          # 工具类 (Log, Permission)
├── model/              # 数据模型
│   ├── color/          # 颜色认知数据
│   └── entry/          # 视觉数据定义 (VisionBox, SafeRect)
├── pages/              # 页面视图
│   ├── game/           # 体感游戏 (VisionComponent, MonsterComponent)
│   ├── gushi/          # 古诗学习 (GushiPage - TextReader)
│   └── look/           # 智能看护 (MonitorComponent)
└── entryability/       # 应用入口

这种结构清晰地分离了界面、逻辑和底层能力，便于维护和扩展。

三、 核心技术选型：原生 AI 能力是关键

《智伴》能获得“场景奖”，核心在于它将鸿蒙的原生 AI 能力与儿童使用场景完美融合。

1. 听觉智能：Core Speech Kit & Speech Kit

• 挑战：如何让应用“能听会说”，且不依赖云端？
• 方案：
  • 利用 textToSpeech 实现本地 TTS，为游戏提供低延迟的语音反馈（如“打得好！”）。
  • 利用 TextReader 朗读控件，为古诗学习提供带有标准播控 UI 的朗读体验。
  • 利用 speechRecognizer 实现离线语音指令识别，让孩子动动嘴就能控制应用。

2. 视觉智能：Core Vision Kit

• 挑战：如何实现“隔空操作”和“坐姿提醒”？
• 方案：
  • skeletonDetection (骨骼点检测)：实时捕捉手腕和脚踝的坐标，映射到游戏画面中，实现“拳打脚踢小怪兽”的体感玩法。
  • objectDetection (多目标检测)：在后台监测屏幕前是否有“人体”，并计算人脸占比，从而判断距离是否过近。

3. 数据存储：SQLite

• 挑战：海量的古诗词和百科知识如何离线存储？
• 方案：
  • 使用鸿蒙内置的 SQLite 数据库，将整理好的知识库预置在应用中，查询速度快且不占内存。

四、 结语

《智伴》的成功证明了：在 HarmonyOS Next 生态下，开发者无需依赖庞大的云端算力，仅凭端侧原生能力，就能构建出体验极佳的智能化应用。 这不仅保护了隐私，更让 AI 真正变得触手可及。

在接下来的系列文章中，我们将深入代码细节，手把手教你如何实现《智伴》中的每一个核心功能。下一篇，我们将从最基础也最实用的功能开始——如何使用 TextReader 实现一个古诗词朗读播放器。