实时互动（RTE）技术迎来突破性进展，声网在北京正式发布其对话式AI引擎，在科技界引发广泛关注。这款引擎的发布，标志着AI技术在人机对话交互领域进入了一个全新的发展阶段。基于客观的技术分析，声网的这款引擎旨在优化实时语音交互体验，弥补现有大型语言模型在语音交互方面的不足。
据官方介绍，声网对话式AI引擎具备多项前沿技术特性，以提升用户体验和开发者效率为核心：
- 超低延时： 仅为650毫秒的响应延时，确保对话的流畅性和实时性，这对于保证自然的交互体验至关重要。
- 优雅打断： 允许用户在AI回复过程中随时打断并提出新的问题， 实现了更自然的人机交互模式。
- 全模型适配： 引擎能够兼容各种大型语言模型（LLM），具备广泛的应用潜力，开发者可以根据实际需求灵活选择合适的模型。
- 选择性注意力锁定： 可以有效过滤掉环境中95%的人声干扰，保证对话的清晰度，在嘈杂环境下尤为重要。
- 便捷开发： 开发者仅需少量代码（两行）和极短时间（15分钟）即可快速构建AI Agent，连接声网对话式AI引擎Console与任意模型，并支持从文本大模型向对话式多模态大模型的升级。这一特性极大地降低了开发门槛，有利于AI应用的快速普及。
在成本方面，声网推出了极具竞争力的定价策略。根据内部测算，使用该引擎的成本约为每分钟0.098元，即不到1毛钱即可享受一分钟的AI对话服务。考虑到用户与AI平均每次对话约3轮问答，平均对话时长约21.1秒，单次对话成本仅需3分钱。按每月15次对话计算，月成本不到5毛钱，年成本低至5元。这种低成本策略显然意在加速市场渗透，让更多用户体验到AI对话的便捷性。
声网AI RTE产品线负责人姚光华表示，这款对话式AI引擎是全球首个同类产品。该团队受到DeepSeek热潮的激励，在春节期间便投入研发，并于2月18日发布了Public Beta版本，最终正式推出。这种快速迭代的模式反映了声网在AI领域的积极探索和快速响应能力。
对于Manus AI Agent与对话式AI产品的区别，姚光华强调，对话式AI的交互方式具有颠覆性，旨在通过对话创造情感价值，甚至超越工具的范畴，成为类似陪伴的存在。他认为，目前对AI Agent的认知还停留在“工具”层面，而对话式AI则更注重情感连接，在音色和交互人数上都有所增长。尽管如此，Manus目前仍被视为一种工具，其主要定位依然是效率提升和问题解决。这种区分体现了声网对于不同AI应用场景的深刻理解和差异化定位。
作为“人工智能语音代理的关键基础设施”，声网的TEN服务已成功应用于DeepSeek、阿里通义Qwen、阶跃星辰Step、MiniMax、Amazon Bedrock、百度、科大讯飞等多家AI企业和产品中，例如与MiniMax共同打造的国内首个Realtime API。这表明声网已与多家领先的AI公司建立了合作关系，其技术实力正在得到市场的认可。
声网母公司Agora的财报显示，2024年四季度实现总营收3450万美元，同比下降4.4%；但在美国通用会计准则下，净利润扭亏为盈，达到16万美元。2024财年总营收为1.333亿美元，较上年同期下降5.9%。虽然营收有所下降，但盈利能力的提升可能预示着公司在成本控制和运营效率方面取得了进展。
姚光华认为，对话式Agent的价值不仅在于智能问答，更在于情感共鸣和效率提升。他将Agent AI分为四个层次：模态感知层（音视频处理和转换）、模态融合层（多模态信息统一处理）、任务处理层（面向目标任务的解决）和顶层智能层（高级认知与学习能力）。声网对话式AI引擎主要覆盖模态感知层和模态融合层，侧重于实时语音交互的基础设施建设。
针对大模型存在的“幻觉”问题，声网产品负责人和利鹏表示，虽然不能完全消除，但可以通过模型迭代来减少。团队在对话式AI引擎上进行了降噪、声音处理等优化工作。 和利鹏指出，人和人交流时也会产生误解，这是由于知识和背景差异所致。为减少模型“幻觉”，增加上下文信息和加强推理（CoT，思维链）都是重要的解决方案。这反映了声网在技术层面对于解决AI模型固有问题的持续关注和努力。
姚光华指出，对话式AI引擎已可应用于陪伴式智能硬件和教育等领域。声网创始人兼CEO赵斌表示，生成式AI带来了变革性机遇，特别是在实现人与AI模型之间的实时语音交互方面。他认为，许多大型语言模型缺乏语音交互功能，或者语音交互体验不够优化。因此，声网推出了对话式AI引擎，旨在提供自然的对话动态，包括智能停顿和打断处理、高级语音处理功能以及超低延迟。这再次强调了声网致力于提升人机交互体验的核心目标。
