聲明:本文來自于（ID:ykqsd.com）授權轉載發(fā)布。

記者｜何己派

編輯｜鄢子為

一家上海公司，幫助DeepSeek像真人一樣開口說話。

3月上旬，聲網發(fā)布對話式AI引擎，僅需兩行代碼，15分鐘即可讓任何文本大模型實現(xiàn)"能說會道"。

這是一個"新物種"。

按團隊所說，它擁有多項獨特的核心功能，放眼全球，難找到與之相媲美的產品。對話1分鐘，僅需不到一分錢的成本。

"之前，大模型都是文字輸入，未來，我們將讓大模型明白你的意思。"聲網產品線負責人和利鵬表示。

為了這次的新產品，聲網AI RTE產品線負責人姚光華向《21CBR》記者透露，從春節(jié)開始，公司瘋狂趕工，如同備戰(zhàn)高考，2月18日發(fā)布Public Beta版本，目前該版本已達到可用狀態(tài)。

截至3月7日美股收盤，聲網市值為36億元人民幣。

黑屋作戰(zhàn)

DeepSeek的爆火事件中，聲網的產品團隊發(fā)動了一場關鍵戰(zhàn)役。

在春節(jié)期間，聲網協(xié)調不同部門的核心骨干，組建了一個專門團隊，專注于研發(fā)一款能夠與AI實時互動的工具產品。

早在半年前，這個構想就已經開始醞釀，隨著DeepSeek的浪潮而來，項目的推進速度陡然加快。

"大家關在'小黑屋'里開會， product、研發(fā)等多個條線的負責人集中討論，迅速決策、推進。"姚光華形容稱，這種集思廣益的氛圍類似于高考備戰(zhàn)，室內白板上不斷更新著倒計時，提醒大家必須集中力量迎戰(zhàn)。

隨著大模型技術向著多模態(tài)方向不可阻擋地發(fā)展，語音交流被公認為一個重要的切入點。

聲網以做實時互動云服務起家，在音視頻領域積累了較為深厚的功力，他們期望將自家的RTE技術與生成式AI相結合，借此推出新產品搶占制高點。

在除夕當天，聲網上線了首個版本的對話式AI引擎，首批開發(fā)者和客戶紛紛到場，第一項操作就是讓DeepSeek開口致賀新年。

對于聲網而言，這款產品的意義非凡。

和利鵬表示，聲網多年以來專注于人與人的交流，如今轉向人與機器的對話，且要求實現(xiàn)實時互動，這種交流模式的轉變帶來了技術層面的諸多挑戰(zhàn)。

姚光華指出，實現(xiàn)AI語音秒回提問、模擬真實對話節(jié)奏的功能，以及在需要時隨時打斷AI的技術設計，均源自對客戶需求的深入挖掘，而將這些構想轉化為現(xiàn)實，則需要一邊探索一邊實踐，不斷完善。

比如對話人聲鎖定這個功能，就是靠客戶提出來的。姚光華表示，某種程度上，客戶就像一位良師益友，給我們指明了前進的方向。

拆解引擎

之所以叫"對話式AI引擎"，也體現(xiàn)了我們的設計理念：我們不設計智能代理，而是專注于構建對話式的工具。姚光華向《21CBR》強調。

在產品命名階段，團隊曾有一段時間，我們還在考慮使用"轉換器"這個詞。寓意接入即可令AI聽懂人說話，但最終我們還是拍板選用了"引擎"。

"轉換器"聽起來更通俗易懂，但聲網選擇的路徑則更加明確：我們專注于提供能力本身，而非與大模型廠商競爭。

"大家在討論AI基礎設施，我們認為，實時互動也是其中一部分。聲網的角色，就是AI基礎設施里的交互。"和利鵬補充道。

他提到，大模型廠商自己從頭做交互，設備、網絡等各種要求都很高。而聲網在這塊已經深耕了十幾年，積累了豐富的經驗和成熟的方案，優(yōu)勢明顯。

姚光華指出，"引擎"拆解后包含AI語音秒回、對話人聲鎖定、智能打斷、全模型適配等多種功能，用"多快好省"四個字就能概括它的核心價值。

其中，在響應延遲方面，我們實現(xiàn)了毫秒級的壓縮，中位數(shù)延遲達到650毫秒。

姚光華指出，市場上有一些產品，宣傳中提到毫秒級響應，但實際測試中發(fā)現(xiàn)這些產品的延遲與宣傳差距較大。

在對話體驗方面，"多通道聲學模型"技術可有效濾除95%的環(huán)境人聲和噪聲干擾，精準捕獲對話人聲信號。即使在80%的丟包率和斷網3-5秒的網絡延遲情況下，也能保持對話的穩(wěn)定流暢進行。

在開發(fā)部署環(huán)節(jié)，僅需兩行代碼和15分鐘的時間即可完成。開發(fā)者只需在代碼中填入與復制生成LLM和TTS相關聯(lián)的URL和密鑰，就能快速完成部署。

關于費用問題，經過深入討論和反復斟酌，團隊最終敲定以下價格：AI語音對話服務費為0.098元/分鐘，而作為增值服務的"智能打斷"功能定價為0.042元/分鐘。

為所有開發(fā)者提供1000分鐘免費使用額度。

姚光華表示，經過一段時間的優(yōu)化和實際使用場景調研，團隊發(fā)現(xiàn)用戶與AI每產生一次對話，平均會有約3輪問答，計算下來平均對話時長約為21.1秒，單次成本為3分錢。

若每位開發(fā)者每月使用15次對話功能，那么月均成本不到5分錢，年均成本則僅為5元。

"這是一項足夠便宜到大家都能用得起的解決方案。"姚光華表示。

人機協(xié)作的未來

對話式AI引擎能帶來哪些應用場景？

和利鵬指出，目前已有十幾種應用場景落地，包括智能助手、虛擬陪伴、口語陪練等類型，其中陪伴類應用較為集中，同時智能硬件設備的需求也日益增長。

比如，讓能開口對話的DeepSeek陪伴孩子，解答他們提出的各種問題，就像和父母對話那樣自然。

"小孩子想要的是快速而自然的互動，答案的準確性不是首要考慮的因素。"和利鵬表示。

從人與人到人與機器的互動，對聲網深耕的RTE賽道而言，這是一次重要的延展。

"或許下一個變革，是將所有觸摸式和鍵盤式的交互方式，轉變?yōu)檎Z音式的。"和利鵬向《21CBR》表示。

姚光華指出，關于AI Agent，去年李飛飛博士團隊發(fā)表的論文數(shù)量已經超過 seventy pages，團隊成員每人必須研讀，最終的總結是"從感知到智能"。

他將其分為兩類：陪伴類Agent主要為用戶提供情緒價值，服務類的則提供智能價值，二者合而為一，再增加一層時間價值，以提升用戶的效率。

因此，基于對話式AI引擎驅動的對話式Agent，跨越了模態(tài)感知和模態(tài)融合，成為整合以上三重價值的載體。

技術革新往往帶來翻天覆地的變化。

和利鵬援引OpenAI產品經理的觀點："AI時代，只要想通60%，產品就應該發(fā)布"，強調產品發(fā)布必須緊跟技術發(fā)展，及時進入市場檢驗，并根據反饋持續(xù)迭代。

"目前這個版本，雖然在某些場景下還不夠完美，但用戶體驗已經達到了預期。未來我們將繼續(xù)深化功能的橫向拓展。"姚光華表示。

DeepSeek引領行業(yè)，聲網團隊專注于音頻細分領域，至少能喝到好湯。

圖片來源：視覺中國