在10月底的亚马逊硬件发布会上，亚马逊一口气发布了五款搭载Alexa的智能家居新品：智能音箱Echo Dot、智能时钟Echo Time、数码相框Alexa Photo Frame、智能显示屏Echo Show 16，以及最引人关注的一款：首次配备摄像头的智能音箱Echo Studio with Home Camera。

249.9美元，比无摄像头的标准版贵了30美元。这不是一次常规升级，而是智能音箱这个品类，真正意义上从“耳朵”进化出了“眼睛”。

音箱没变，变的是“感官”

Echo Studio首次面世于2019年，最初面向追求更高音质的Alexa智能音箱用户。而新版Echo Studio with Home Camera的声学配置与旧款几乎一致：四麦克风阵列、3.75英寸高位移低音单元、三只全频驱动单元、Dolby Atmos全景声、亚马逊专有立体声环绕算法，以及支持无损HD音频、Advanced Room Adaptation房间声学自适应。

换句话说，声学配置、处理器、麦克风，“一个都没动”。唯一的硬件增量，就是那颗1300万像素摄像头。但这颗摄像头，恰恰是整个产品逻辑的支点。

Echo Studio with Home Camera既可以利用摄像头感知你在房间中的位置，随用户移动自动调节音量，让用户在房间各处听到的音量保持一致；也能够充当家庭监控摄像头，用户可通过智能手机远程查看房间，例如查看宠物情况或确认灯是否关闭等。

更关键的是，该摄像头与Alexa+的结合让音箱具备了“视觉理解”能力。例如举起一个桌游盒子，它能讲解规则；举起麦片盒，它能识别并帮你补货；出门在外，它能让用户通过Alexa应用查看房间。

简言之，智能音箱本身没变，变的是它的“感官系统”。

为什么偏偏是“加摄像头”？

智能音箱曾是消费电子领域的绝对风口，经历过一段高速增长的黄金期，市场销量持续走高。有关数据显示，2019年销量同比增幅高达125%。

但高光过后，行业很快步入增长平台期：功能高度同质化、用户换机周期大幅拉长、整体市场逐渐趋于饱和，仅靠“问天气、定闹钟、播音乐”这类传统存量玩法，已经很难再打动消费者买单。

来自洛图科技《中国智能音箱零售市场月度追踪》的公开数据显示，2024年中国智能音箱市场销量为1570万台，同比下降25.6%；对应销售额为42亿元，同比下降29.4%。从2021年到2024年，中国智能音箱市场已连续四年出现销量下滑。

问题出在哪呢？其实，纯语音交互的智能音箱，带着三个天然短板；一是信息带宽低，单句语音能承载的信息十分有限，用户根本没法靠语音精准描述出“我手里这个盒子上印的具体文字是什么”这类场景化需求；二是上下文缺失，只能接收到用户“正在说话”这个信号，却不知道用户当下正在做什么、身处什么样的环境里；三是交互主动性弱，音箱只能被动等待用户发出指令，完全无法主动感知环境变化、提前介入提供服务。

于是，近几年随着AI技术尤其是大模型的快速普及落地，行业厂商把“AI大模型”当成破局的救命稻草。相关数据显示，2025年三季度，搭载大模型功能的智能音箱，市场销量渗透率已经达到33%。

大模型的加入确实让智能音箱变得更“聪明”，对用户指令的理解精准度也大幅提升。但尴尬的是，受限于产品形态，加上其并非家庭刚需品类，升级后的产品依然没能撬动用户的消费意愿——均价上涨，销售额却没跟上。

在这种背景下，亚马逊跳出了行业里“比拼更低硬件定价”的内卷怪圈，选择给一台本来就定位高端、音质公认的旗舰音箱，补上“视觉”这一块拼图，通过新增的摄像头直接获取“用户正在看什么、做什么”的上下文，让AI的推理从“听得懂一句话”升级为“理解一个场景”。

亚马逊为Alexa+装上了“家庭视觉”能力

除此之外，值得注意的还有其背后的Alexa+。2025年2月，亚马逊发布了Alexa自2014年问世以来的首次重大更新：基于生成式AI重构的Alexa+。

升级后的Alexa同时集成了Anthropic公司的Claude人工智能（Claude AI）和亚马逊专有的人工智能模型，不仅能够与用户进行复杂的、具备情境感知能力的对话，还可处理多方面的请求。

Alexa+的核心变革，就是把语音助手从“指令执行机”升级为“能理解、能行动、有记忆的Agent”。而新增的摄像头，正是它从“听懂”走向“看懂”的关键感官入口，是Alexa+能力扩张的物理支点。

新增的视觉能力，直接把音箱从“语音问答终端”变成了一台具备场景理解能力的设备。不管是识别桌游讲规则、识别商品引导复购，还是调取画面回答“狗狗今天有没有出门散步”这类问题，这些新场景的核心共同点都是：语音不再是唯一的交互输入，视觉感知已经提前成为了理解用户真实意图的前置信号。

如果把视野再拉高一层，Echo Studio with Home Camera所标示的，不只是一款产品的功能加法，更是智能家居一次方向明确的范式转移：从“语音单模态”走向“多模态环境感知智能”。

过去的十年，智能家居的主线是“连接”，把设备连上网，让用户用语音指令远程控制。但如今一个真正智能的家，需要的不是等待指令的执行者，而是能够持续感知、主动理解、预判需求的居住伙伴。

而多模态感知的核心价值便在于此，摄像头负责提供完整的视觉上下文，高精度麦克风阵列精准捕捉声音的来源方位，各类环境传感器同步记录空间内的温湿度、光线亮度等环境参数……当所有这些不同维度的数据流在端侧AI芯片中完成实时融合处理之后，设备便拥有了“看懂一个家”的完整场景理解能力。

写在最后

当智能音箱的硬件创新触顶时，亚马逊选择给原本主打音质的成熟旗舰音箱，补上一颗1300万像素的摄像头，就把它从“听音乐的工具”变成“能看家的助手”“能导购的入口”“能感知家的眼睛”。

从单一的听觉入口，升级到视听融合的全感官入口，从过去的被动等待用户指令，进化为主动理解真实场景需求，亚马逊押注的是：下一个十年智能家居的胜负手，不是堆到极致的音质参数表，而是AI对真实家庭空间的深度感知能力。