听不见的人，怎么玩 FPS 吃鸡？

一台 ¥689 的“AI 脚步声增强”硬件，和一个让听障玩家“看见”声音的开源软件。我做电子信息出身，平时爱拆产品，把官方资料啃了一遍，又用数字电路的常识推了推。发现它俩解的是同一道题，答案比想象中朴素得多。

昨天看吃鸡端游比赛，PUBG 司马杯：

主播在直播间打着“全网最低价”的旗号卖 FOSI 猎鹰声卡（京东原价 ¥699），结果工作人员手一抖，价格没对上。

大司马二话不说，把已下单的单子全额免单。

节目效果，直接拉满。

这一下勾起了我的好奇心：

这个游戏声卡到底是什么来头，能卖到接近七百块？

官网（Fosi Audio C3 Gaming Sound Card & DAC/Amp）上有段官方演示视频，拿的就是同一段音频的原始版和增强版对比。建议戴上耳机，自己听一遍差别：

两段都是官方原始 wav，没有我自己二次处理过，比合成一条对比视频更靠谱，也不用担心转码丢声道。想 A/B 对比，直接点开两条链接来回切换听就行。

先说结论

Fosi Audio C3 的硬件底子摆在明面上：XMOS XU316 + CS43131 + TPA6120×2。一颗音频专用主控，外面挂着发烧级的 DAC 和双功放，干活的是一条实时信号处理流水线——检测、动态增益、压缩。

但“StepSense™ AI 模型”这半句，我得纠正自己一开始的判断。

它不是套壳的营销话术。 有主播从官方拿到的 PR 物料显示，这背后是训练过的神经网络：encoder-decoder 加 GRU。只不过用的是专为端侧设备裁剪过的轻量架构，不是那种只能堆在云端显卡上跑的大模型。

而那个让听障玩家玩 FPS 的开源软件 DeafAlsoPlayFps（聋子也能玩 FPS），走的是完全同一条思路，只是换了个出口：既然左右声道的能量差，是耳机里唯一稳定可靠的信号，那就把这个差值直接画出来，变成屏幕上的一根红绿条。

硬件让你听得更清，软件让你看得见。

音频可视化，殊途同归。

七百块，装了什么

先看官方公开的物料清单：

器件型号干什么的
主芯片XMOS XU316（xcore.ai）USB 音频 + HID 控制 + 实时 DSP
DACCirrus Logic CS4313132-bit/384kHz 解码，DSD256，9 种重建滤波器
耳放TI TPA6120A2 ×2高电流分立耳放，驱动 16–300Ω

官方产品页也大方地把这四颗芯片拍了特写，左边两颗是 TI TPA6120，右下角是 XMOS XU316，右上角是 Cirrus Logic CS43131：

如果把专业名词都拿掉，大概可以这么理解：

XMOS XU316 是这台机器的大脑，电脑把声音数据传过来，它实时算好该怎么处理，不用联网、不用等云端，几毫秒内就出结果。CS43131 是翻译官，把处理好的数字信号转换成耳机真正能听到的模拟声音，解码精度是发烧级的，在专业音响圈很吃得开——拿 DAC 芯片的常见分层来说，入门方案够用就好，旗舰独立解码器又贵又占地方，CS43131 卡在中间，集成度高、成本可控，解码素质却够得着发烧门槛。两颗 TPA6120A2 是力气，负责把 DAC 出来的信号推响。

现在很多设备图省事，功放和解码挤在一颗芯片里搞定，一颗顶多用。但这类“全能芯片”电流有限，遇上 250、300 欧的高阻抗耳机容易推不动，声音发闷发软。

C3 为什么要多花钱、多占板子面积，专门放两颗独立耳放芯片？

专职的人，干专职的活。这两颗芯片能给出更大电流、更低失真，不管耳机阻抗高低都推得饱满，左右声道各配一颗，互不干扰。这也是不少发烧级设备的标配思路，不是营销噱头。

这套组合讲了一个清楚的故事：它首先是一台合格的 HiFi 小尾巴，解码加功放，其次才加了游戏增强。CS43131 加双 TPA6120，是发烧友一看就点头的模拟链路，这也是为什么它敢标 32-bit/384kHz 和 DSD256，¥689 也就不算贵了。你买的不是一个“游戏外设”，是“游戏外设 + 入门 HiFi DAC”。

参数表能对上：

耳机输出功率 L+R ≥ 320mW+320mW（32Ω 下 THD+N<1%），信噪比 123–124dB，THD+N 低至 0.0004%，频响 20Hz–20kHz（±0.06dB）。这几个数字放进百元级设备里看，已经不算差，跟不少独立 HiFi 解码器一个水平。

那为什么选 XMOS，不用更常见的 ARM？

这是我盯着产品页琢磨了半天、又用数字电路常识推出来的判断，顺带说说这两颗芯片的江湖地位，挺有意思。

ARM 是电子圈的“六边形战士”：生态最大、选型最多、便宜好用，手机、路由器、智能音箱，哪儿都有它的身影。但它的强项是通用控制，不是“零抖动实时流”。要跑音频这种对时序卡得极死的活儿，得外挂一颗专门的 USB 音频芯片，再靠 RTOS（实时操作系统）硬调优先级，才能勉强达标——多绕一道弯，就多一分不确定性。

XMOS 走的是另一条路：专精选手，天生就是为“实时数据流 + 低延迟”这类场景生的。圈内不少专业声卡、录音接口背后，都藏着一颗 XMOS。它的底气是 xCORE 架构——多个逻辑核各干各的、互不抢时间片，USB 音频协议直接焊在硬件里，不用靠软件模拟，这就是为什么它天生没有中断抖动。

这个选型不是炫技，是用最短的路径，把“USB 声卡 + 游戏声音增强”塞进一颗芯片里。

成熟的工程团队，往往会做这种选择。

“AI 脚步增强”，这次是真的

C3 的核心卖点叫 StepSense**™**，右上角那个“TM”是商标标识，一是打差异化，二是强认知，跟技术含量没关系。

官方文案写得挺玄乎：“AI 模型 + 个性化调音，实时识别脚步声与战斗声，动态强化关键信息……不是调 EQ，而是帮你判断哪个声音更重要。”

一台 689 元的小盒子，真装得下我们理解的那种“AI 模型”吗？

我最初的判断是“不太可能”。理由也很直接：把功能页拆开看，设备对外暴露的就那么几样——StepSense 开关、四款游戏选择（CS2/PUBG/三角洲/无畏契约）、增益等级、爆音抑制、个性化 PEQ。没有任何迹象表明用户或主机端要下发什么“模型参数”，所有的“智能”都在设备内部闭环完成。我一度觉得，这大概率是套了个 AI 名头的实时 DSP。

但这个判断得改。有主播拿到的官方 PR 物料里，有一页明明白白写着“In-House FPS AI Model”：

这是一张真正的神经网络架构图：encoder-decoder 结构，中间接了个 GRU，两端各堆了好几层 depthwise separable dilated convolution。旁边配的训练数据更实在：CS2 训了 3950 小时、208 万条样本；PUBG 4000 小时、217 万条；三角洲 4483 小时、238 万条。每款游戏都是单独训一遍，不是拿一个通用模型糊弄所有游戏。

说人话：encoder-decoder 说白了就是先压缩、再还原，把声音里的关键信息提炼成一小撮特征，再重新组装成“这里该不该被强调”的判断。GRU 专门处理有先后顺序的数据，声音正好是一帧接一帧的序列，适合用来记住刚才发生了什么，现在该怎么判断。depthwise separable convolution 这个词最值钱的地方不在“卷积”，在“depthwise separable”——这是手机端 AI（比如 MobileNet）压缩模型体积、降低算力消耗最常用的招数。

这套网络从设计那天起，目标就是塞进小设备里跑起来，不是那种只能堆在云端显卡上跑的大模型。

所以更准确的说法是：StepSense 背后确实是训练过的深度神经网络，而且是专门为端侧实时推理裁剪过的轻量版本，不是我最初以为的“AI 只是营销话术”。这次我猜错了，得认。

诚实说一句：这张架构图和训练数据来自主播拿到的官方 PR 物料，不是我自己拆机验证的。它大概率是真的，官方物料造假的成本和风险都不低。但我没法 100% 确认这套网络就原封不动跑在 ¥689 这颗 XMOS 芯片里——更可能的情况是训练在服务器上完成，端侧跑的是量化、裁剪过的精简版本，好把算力压进这颗音频 DSP 芯片的预算里。这一点，只有拆机做黑盒测试才能彻底坐实。

不管网络内部具体怎么算，最终落地到信号上，大致是这么几步：

技术图（信号真实发生了什么）大白话图（说人话）

(DSP 课程还在发力)

网络“猜”的不是脚步声本身，是“这一帧像不像脚步声”这个概率。像，就抬一抬。不像，就放过。

这跟人耳分辨脚步声的方式其实很像。我们也不是靠某种玄学直觉，而是靠经验里攒下的声音特征在做判断。

打枪、爆炸的声音，瞬间能冲到很高的分贝，尤其戴着耳机，这种突然的巨响很伤耳朵，也容易把人吓一跳。

如果简单粗暴地把整体音量调低，脚步声这些该听清的细节又会跟着一起被压没。

那怎么才能既压住枪声爆音，又不伤脚步声？

答案是 DRC，动态范围压缩。不是一刀切调音量，而是专挑“太响”的部分往下压，安静的部分原样保留。手机的“夜间音量均衡”、剪视频常用的“响度压缩”，用的都是同一套原理，C3 只是把它用在了枪声爆炸上。

诚实说一句：这段是基于官方功能描述和实时音频工程常识推演出来的，不是拆机实测。要 100% 坐实，得拿真机做黑盒测试，注入已知信号，测输出差异。但目前看，这个推演和官方所有功能描述都能对得上。

官方还有个细节值得一提：支持的游戏是一个个逐步开放的，而且会随固件更新增加。从公开的版本更新记录看，新增一款游戏（比如无畏契约）就是单独一次更新。

这一点前面那张训练数据表已经给了实锤：CS2、PUBG、三角洲的训练时长和样本量都不一样，每款游戏就是单独训一遍，做完一款就通过更新点亮一款。

这个产品设计挺聪明，后面讲生意经时还会再提。

看得见的声音

有意思的是，我还发现一个开源项目 DeafAlsoPlayFps，一个 Windows 软件，干的事和 C3 正好互补。

它的目标人群是听障或弱听玩家。

要解决的问题很直接：你听不见脚步声没关系，我把脚步声来自左边还是右边，用屏幕上一根红绿条告诉你。红色条在左，声源在左，该往左转。绿色条在右，声源在右。

技术上，它干了一件特别诚实的事：不读游戏内存，不注入进程，不碰耳机输出，只是用 Windows 的 WASAPI loopback（系统音频回环），把“最终要播给耳朵的声音”抄一份出来，算左右声道的能量差。

这里还有个技术选择值得一提：更专业的路子是走 ASIO，延迟更低，但要装驱动、抢独占，普通玩家未必愿意折腾。WASAPI loopback 不用装任何驱动，打开就能用，延迟稍高一点，换来的是“人人可用”。对一个开源工具来说，这笔账划算。

核心代码就那么几行：

// WASAPI 回环 → 左右 RMS → dB 差
leftSumSquares  += leftSample  * leftSample;
rightSumSquares += rightSample * rightSample;
// 然后用 20*log10(right/left) 算 dB 差,驱动红绿条

为什么是这个算法？因为游戏音频经过引擎、Windows 声卡、HRTF 虚拟化混音之后，到耳机时只剩左右两路，唯一稳定的信息就是左右能量差。前后、上下方向，在双声道里几乎抓不住可靠特征，所以它干脆不装，方向圆环只当个弱提示，真正押注的是左右转向条。

这个判断很专业。20·log10(R/L) 用 dB 而不是线性差，是因为人耳对响度差的感知本来就是对数的。短促脚步声再加 150ms 视觉保持，是因为脚步一闪而过，来不及反应条就没了。这些参数，都是踩过坑才能调出来的。

而最妙的是，如果有人问我“能不能用软件复刻 C3 的脚步增强”，我作为工程师第一反应就是这条路：WASAPI 回环、声道差分析、动态增益。这个软件已经把路走通了一半，只不过它输出的是视觉，不是更响的声音。

硬件和软件，其实是一条路

把两个东西摆一起，对比就清楚了：

维度C3（硬件）DeafAlsoPlayFps（软件）
解决什么让声音更清晰可辨让声音变成可见的转向提示
延迟<10ms（全片内 DSP）~30–60ms（loopback 缓冲）
反作弊风险零（纯声卡）零（只读 Audio API，不注入）
跨平台即插即用（PC/PS5/主机）仅 Windows
能力上限增强 + DRC，但识别是黑盒只能左右定位，前后做不准
成本¥689 + 一台机器免费，开源

两个东西其实互补，不是竞争。

C3 解决“听得清”，软件解决“看不见的人怎么办”。

甚至可以叠加用：先用 C3 把脚步声增强，再让软件把增强后的声音可视化，对弱听玩家可能是双倍友好。

真正的对手不是彼此，是免费软件逼近的速度。 DeafAlsoPlayFps 已经证明，WASAPI 回环这条路走得通。往后再加一个轻量分类器，把“左右定位”升级成“脚步/枪声/换弹”分类，就能逼近 C3 的核心体验，而且零硬件成本。C3 能守住的，只有延迟、跨主机即插即用，和那套按游戏持续迭代的调音 know-how。

如果做成一门生意

说完技术，换个身份，如果我是想入局的创业者，这笔账我会这么算。

先算成本。把 Fosi C3 官方公布的物料，代进公开的元器件行情：

  • XMOS XU316 约 ¥40–50
  • CS43131 约 ¥20-30
  • 两颗 TPA6120 约 ¥26–36
  • 再加上光纤/同轴/RCA 这些多接口、外壳、贴装

出厂成本（COGS，说人话就是造一台设备的物料加生产费用，不含研发、营销、渠道）大概落在 ¥160–210。

零售 ¥689，扣掉电商佣金和经销环节，厂商净出厂收入约 ¥400。算下来：

  • 单台毛利约 ¥190–240，毛利率约 48–60%
  • 一次性研发投入（固件、算法、硬件、Web App）大概 ¥6–10M
  • 中位假设下，卖到 2.6 万台、约 7–9 个月回本

这个毛利率放进消费电子大盘子里看，已经算相当健康，一般 3C 配件类产品毛利率多在 30–40% 徘徊，能摸到甚至冲过 50%，说明它不少靠“卖 HiFi 溢价”，不是纯靠硬件堆料。更别提 Fosi 主打的是海外市场……

这是一门前期重、后期轻的生意。COGS 低、没有电池（省仓储物流），模拟链路还能吃下 HiFi 受众（不只游戏圈）。回本的关键变量是月销斜率，不是成本。

但真正让我佩服的，是它的运营节奏。从公开的版本更新记录看，这款产品大概两三周迭代一次，新游戏支持是按版本节奏一款一款放出来的。每加一款游戏，就是一次零边际成本的“免费 DLC”，唤醒老用户，拉新，顺带维持口碑。

这是把硬件当 SaaS 在运营啊。硬件一次流片，软件持续造血。

这种打法，对任何想做消费电子的创业者都是一堂免费课：别只算 BOM，要算 LTV（用户生命周期价值）；别只拼首发，要拼持续运营。

值不值，该不该抄

如果你是发烧友兼竞技玩家，C3 值。模拟链路（CS43131 + 双 TPA6120）对得起这个价，游戏增强算锦上添花。

如果你只是想要“听声辨位”的能力，又只用 PC，先试试 DeafAlsoPlayFps 这类软件。免费，方向也对。

至于“能不能软件复刻 C3”——EQ、DRC、空间音频，免费软件就能做出八九成；真正难的是那套按游戏特化、持续训练的检测模型。一款游戏就要几千小时、两百多万条样本喂出来，这个门槛不低。短期内软件追不上，但 3–5 年后，中端硬件会被慢慢蚕食。C3 要守住护城河，得把“跨主机、低延迟、模型持续迭代”这几件事挖得更深。

推开一条缝

最后说一句和钱无关的。

我最喜欢这个开源项目的地方，是它的名字，Deaf Also Play FPS，听障的人，也能玩 FPS。

技术圈天天吵“AI 颠覆”“芯片战争”。但真正打动人的，往往是最朴素的方法：抄一份音频，算个左右差，画根条。把一扇原本对某群人关着的门，推开一条缝。

C3 让听得见的人，听得更准。这个软件让听不见的人，也能玩。

都挺好。

本文基于 C3 官方产品页与规格说明、公开的版本更新记录、公开的官方 PR 物料，以及 DeafAlsoPlayFps 开源项目代码分析写成。

技术判断是基于数字电路与实时音频工程常识的推演，商业数字是基于公开元器件行情的估算，不构成任何投资建议