过去二十年，中国孩子获得英语学习内容的门槛持续降低。从纸质教材到动画绘本，从录播课程到学习APP，今天一个孩子能够接触到的英语内容越来越丰富。

但一个问题依然存在：很多孩子“学过的英语”并没有变成“自己的英语”。词汇量不少，却很难自然组织成句；学过很多句型和语法，却不一定能够用英语表达自己的需求、经历、感受和想法。

问题或许并不在于“学得不够”，而在于学习长期停留在“知识理解”的层面，没有完成向表达能力的转化。

一个持续二十年的“转化困境”

知识要转化为表达能力，中间需要经历一个完整的过程：理解 → 调用 → 表达 → 得到反馈 → 调整 → 再表达 → 换场景继续使用。表达能力本质上不是一个“内容学习问题”，而是一个“互动训练问题”。

回顾过去不同阶段的在线教育产品，各自解决了重要的问题，但也存在明显的边界：

• 游戏化学习产品：解决了“孩子的学习意愿”问题。动画、奖励机制让低龄儿童反复接触英语，但大量互动仍以标准答案匹配为主，独立表达有限。
• 录播体系课：解决了“优质内容规模化”问题。它擅长输入、示范、讲解、跟读和标准化练习，但固定路径很难持续适配每个孩子不同的学习状态，并给予适配的学习反馈。
• 真人直播课：解决了“实时互动”问题。优秀的一对一老师能够观察孩子、调整难度、追问和反馈。但长期成本高，教学体验高度依赖优秀老师，也很难持续、结构化地记录孩子的能力变化。

于是，一个结构性矛盾长期存在：口语能力培养最需要高频、个性化的一对一互动，而这种互动恰恰是过去最难规模化的。而AI的出现，正在让“个性化口语教学规模化”第一次成为可能。

AI口语体系课：让个性化口语训练走向规模化

所谓AI口语体系课，并不是简单地把AI加入英语课程，也不是让孩子拥有一个可以聊天的AI。

它更核心的定义是：AI驱动 × 口语训练 × 体系课程。

• 口语训练解决的是英语最终要用来做什么。不是记住更多单词，而是让孩子真正调用语言完成沟通和表达。
• 体系课程解决的是长期学什么，让孩子今天、明天以及更长期的学习都有清晰的课程目标和进阶路径。
• AI则解决的是在相同课程目标下，如何让学习过程更加适合每一个孩子。孩子已掌握的内容可以减少重复；没有理解的内容可以换一种方式解释；知道单词却不会组句，可以增加句型支架；已经能够完成基础表达，则可以继续推动迁移和更自由的表达。

因此，AI口语体系课真正改变的，不是多了一个“聊天对象”，而是过去难以规模化的个性化口语训练，有机会变成持续发生的学习过程。

它与传统的英语体系课最根本的不同，在于课程设计的起点。

传统英语体系课程通常围绕词汇（Vocabulary）、语法（Grammar）、阅读（Reading）、听力（Listening）等知识和技能模块组织内容。

而以表达能力为核心的口语体系课，更适合采用“以终为始”的设计方式：先定义孩子最后需要完成什么表达任务，再反向设计为了完成这个任务需要学习什么。

以国际领先的教育科技公司LingoAce近期新推出的AI-native英语学习产品Tutor Luna的课程设计为例：

一个单元的最终口语任务是让孩子完成“A Fun Day”的表达，课程先建立 Opening（去了哪里） → See （看见了什么）→ Do（做了什么） → Feel（感受怎么样）的结构。围绕这个终点，课程逐步铺设语言材料：

• 在海滩场景中学习相关词汇和动作表达；
• 通过对话练习 I like... / Do you like...? 等核心表达；
• 再通过故事阅读和复述，积累连续表达的经验。
• 到了最后一课，孩子把前面学过的语言重新组织起来，完成一次完整的表达。例如： I go to the beach today. I see shells on the beach. I like reading on the beach. I feel happy.

这里就是“先定义最终需要形成的表达能力，再反向组织知识和训练”，这也是口语体系课与传统英语体系课程的重要区别。

AI真正加入以后，到底改变了什么？

AI带来的最大变化，不只是孩子可以和机器多说几句话，而是规模化地提供：高频、一对一、持续适应每个孩子的口语训练。具体而言，有四个层面的改变：

第一，能力状态识别：知道孩子现在在哪里

AI不只是判断一句回答对不对，还可以结合孩子的表达、停顿、错误类型和对提示的依赖，持续判断孩子已经掌握什么、没有掌握什么，以及掌握到了什么程度。

第二，即时互动反馈：决定“这一刻怎么教”

口语训练真正有价值的，并不只是孩子说了一次，而是说完之后发生了什么。AI可以根据刚刚发生的学习表现调整下一步的反馈方式，完成“听孩子说 → 判断问题 → 提供适当帮助 → 再让孩子尝试”的教学循环。

第三，动态任务生成：从固定课件走向动态生成的练习内容

传统数字课程高度依赖预先制作的固定课件。AI则可以围绕明确的课程目标，通过AI生成平台持续生成和组合不同的图片、例句、人物、场景和练习任务。

第四，持续能力建模：让下一次教学比这一次更懂孩子

语言学习过程中，每一次开口都在产生新的能力证据。AI 可以持续记录：表达是否准确完整、是否依赖提示、提示之后能否完成、换一个场景以后能不能迁移、一段时间以后是否还能稳定输出。

测评不再只发生在课程结尾，而是伴随整个学习过程：教学即测评，练习即测评。每一次表达都成为新的能力证据，持续更新孩子的能力成长轨迹，形成闭环：识别能力状态 → 动态调整任务 → 即时互动反馈 → 更新能力模型 → 再决定下一步教学。

以 Tutor Luna 的一个教学场景为例。这一课正在练习目标表达 I like fishing。AI 问：What do you like doing on the boat? 孩子只回答：Fishing。

这时候，AI 不只是判断答案对不对，而是进一步识别：孩子已经掌握 fishing 的词义，但 I like... 还不能稳定自主输出。因此不需要重新教 fishing，而是给出适合当前状态的句型支架 I like...，引导孩子再次尝试。

与此同时，AI 生成平台可以围绕同一个表达目标，持续生成和组合不同的图片、人物、场景和练习任务，例如：

I like fishing on the boat. I like reading on the beach. 让孩子不只会说刚刚练过的一句话，还能在不同情境中反复调用同一个表达。

如果孩子从需要提示才能说，逐渐走到换一个场景也能独立表达，这些表现又会成为新的能力证据，持续更新他的能力模型。

从真实学习数据看，这种产品形态正在得到验证

评价一个 AI 教育产品，不能只看 Demo 是否惊艳，更重要的是：孩子是不是真的在持续学习、持续开口。

从 Tutor Luna 目前已经上线的课程数据来看：

• 一节 20-25 分钟的课程，孩子可以产生约 60–70 次有效开口；
• 单个知识点完成6次以上针对性训练，课程完课率约 90%；
• AI Tutor 针对学员的纠错成功率大于50%，证明个性化教学的有效性；

这些数据还不能直接等同于长期学习效果，但至少说明了三件事：

• 孩子能够在一节课中保持高密度口语互动；
• 一套结构化 AI 课程能够被稳定完成；
• AI 口语学习开始从一次新鲜体验，变成持续发生的学习行为。

教育最终还是要回答更长期的问题：三个月、半年甚至一年以后，孩子的能力到底有没有真正发生变化。而伴随式能力评估和持续能力建模，正是在为回答这个问题积累更长期的证据。

为什么是这个时间点？

AI 口语体系课之所以值得被认真对待，与三个正在发生的变化有关。

第一，知识越来越容易获得，能力越来越重要

AI能力快速发展的今天，知识获取变得越来越容易。对于孩子而言，重要的不只是获得更多知识，而是如何在学习知识的过程中形成认知、沟通和表达能力。如果英语最终是为了沟通，那么能够调用语言完成真实表达，本身就是学习结果的重要组成部分。

第二，英语教育的需求正在从“学会”走向“会用”

英语越来越不是一门单纯记忆单词和规则的学科。无论是家长的需求，还是英语教育本身的发展，都在不断回到语言最基础的价值：理解和表达。

第三，AI技术正在这个时间点变得更加适合口语训练

语音技术、生成式AI和实时交互能力的发展，让机器第一次有机会持续参与这样的教学过程：听孩子说 → 判断状态 → 给出反馈 → 调整教学 → 再训练。

对于过去最难规模化的高频、个性化口语互动而言，这可能正是AI值得关注的教育应用方向之一。

从这个角度看，AI口语体系课真正要解决的，并不是让英语学习变得更加“智能”，而是解决一个存在已久的问题：如何让孩子学过的英语，真正变成他能够自主调用、能够在不同场景中使用的英语。

而AI的价值，也许正在于让这件过去高度依赖真人教师、因此很难高频发生的训练，第一次具备了规模化的可能。

*本文内容由Tutor Luna教研和测评负责人王亚捷提供相关产品及教学实践信息。