聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)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(wǎng)發(fā)布對(duì)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(shí)現(xiàn)"能說會(huì)道"。

這是一個(gè)"新物種"。

按團(tuán)隊(duì)所說，它擁有多項(xiàng)獨(dú)特的核心功能，放眼全球，難找到與之相媲美的產(chǎn)品。對(duì)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(wǎng)產(chǎn)品線負(fù)責(zé)人和利鵬表示。

為了這次的新產(chǎn)品，聲網(wǎng)AI RTE產(chǎn)品線負(fù)責(zé)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(dá)到可用狀態(tài)。

截至3月7日美股收盤，聲網(wǎng)市值為36億元人民幣。

黑屋作戰(zhàn)

DeepSeek的爆火事件中，聲網(wǎng)的產(chǎn)品團(tuán)隊(duì)發(fā)動(dòng)了一場關(guān)鍵戰(zhàn)役。

在春節(jié)期間，聲網(wǎng)協(xié)調(diào)不同部門的核心骨干，組建了一個(gè)專門團(tuán)隊(duì)，專注于研發(fā)一款能夠與AI實(shí)時(shí)互動(dòng)的工具產(chǎn)品。

早在半年前，這個(gè)構(gòu)想就已經(jīng)開始醞釀，隨著DeepSeek的浪潮而來，項(xiàng)目的推進(jìn)速度陡然加快。

"大家關(guān)在'小黑屋'里開會(huì)， product、研發(fā)等多個(gè)條線的負(fù)責(zé)人集中討論，迅速?zèng)Q策、推進(jìn)。"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(nèi)白板上不斷更新著倒計(jì)時(shí)，提醒大家必須集中力量迎戰(zhàn)。

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

聲網(wǎng)以做實(shí)時(shí)互動(dòng)云服務(wù)起家，在音視頻領(lǐng)域積累了較為深厚的功力，他們期望將自家的RTE技術(shù)與生成式AI相結(jié)合，借此推出新產(chǎn)品搶占制高點(diǎn)。

在除夕當(dāng)天，聲網(wǎng)上線了首個(gè)版本的對(duì)話式AI引擎，首批開發(fā)者和客戶紛紛到場，第一項(xiàng)操作就是讓DeepSeek開口致賀新年。

對(duì)于聲網(wǎng)而言，這款產(chǎn)品的意義非凡。

和利鵬表示，聲網(wǎng)多年以來專注于人與人的交流，如今轉(zhuǎn)向人與機(jī)器的對(duì)話，且要求實(shí)現(xiàn)實(shí)時(shí)互動(dòng)，這種交流模式的轉(zhuǎn)變帶來了技術(shù)層面的諸多挑戰(zhàn)。

姚光華指出，實(shí)現(xiàn)AI語音秒回提問、模擬真實(shí)對(duì)話節(jié)奏的功能，以及在需要時(shí)隨時(shí)打斷AI的技術(shù)設(shè)計(jì)，均源自對(duì)客戶需求的深入挖掘，而將這些構(gòu)想轉(zhuǎn)化為現(xiàn)實(shí)，則需要一邊探索一邊實(shí)踐，不斷完善。

比如對(duì)話人聲鎖定這個(gè)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(jìn)的方向。

拆解引擎

之所以叫"對(duì)話式AI引擎"，也體現(xiàn)了我們的設(shè)計(jì)理念：我們不設(shè)計(jì)智能代理，而是專注于構(gòu)建對(duì)話式的工具。姚光華向《21CBR》強(qiáng)調(diào)。

在產(chǎn)品命名階段，團(tuán)隊(duì)曾有一段時(shí)間，我們還在考慮使用"轉(zhuǎn)換器"這個(gè)詞。寓意接入即可令A(yù)I聽懂人說話，但最終我們還是拍板選用了"引擎"。

"轉(zhuǎn)換器"聽起來更通俗易懂，但聲網(wǎng)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(chǔ)設(shè)施，我們認(rèn)為，實(shí)時(shí)互動(dòng)也是其中一部分。聲網(wǎng)的角色，就是AI基礎(chǔ)設(shè)施里的交互。"和利鵬補(bǔ)充道。

他提到，大模型廠商自己從頭做交互，設(shè)備、網(wǎng)絡(luò)等各種要求都很高。而聲網(wǎng)在這塊已經(jīng)深耕了十幾年，積累了豐富的經(jīng)驗(yàn)和成熟的方案，優(yōu)勢(shì)明顯。

姚光華指出，"引擎"拆解后包含AI語音秒回、對(duì)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(gè)字就能概括它的核心價(jià)值。

其中，在響應(yīng)延遲方面，我們實(shí)現(xiàn)了毫秒級(jí)的壓縮，中位數(shù)延遲達(dá)到650毫秒。

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

在對(duì)話體驗(yàn)方面，"多通道聲學(xué)模型"技術(shù)可有效濾除95%的環(huán)境人聲和噪聲干擾，精準(zhǔn)捕獲對(duì)話人聲信號(hào)。即使在80%的丟包率和斷網(wǎng)3-5秒的網(wǎng)絡(luò)延遲情況下，也能保持對(duì)話的穩(wěn)定流暢進(jìn)行。

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

關(guān)于費(fèi)用問題，經(jīng)過深入討論和反復(fù)斟酌，團(tuán)隊(duì)最終敲定以下價(jià)格：AI語音對(duì)話服務(wù)費(fèi)為0.098元/分鐘，而作為增值服務(wù)的"智能打斷"功能定價(jià)為0.042元/分鐘。

為所有開發(fā)者提供1000分鐘免費(fèi)使用額度。

姚光華表示，經(jīng)過一段時(shí)間的優(yōu)化和實(shí)際使用場景調(diào)研，團(tuán)隊(duì)發(fā)現(xiàn)用戶與AI每產(chǎn)生一次對(duì)話，平均會(huì)有約3輪問答，計(jì)算下來平均對(duì)話時(shí)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(duì)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(xiàng)足夠便宜到大家都能用得起的解決方案。"姚光華表示。

人機(jī)協(xié)作的未來

對(duì)話式AI引擎能帶來哪些應(yīng)用場景？

和利鵬指出，目前已有十幾種應(yīng)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(yīng)用較為集中，同時(shí)智能硬件設(shè)備的需求也日益增長。

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

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

從人與人到人與機(jī)器的互動(dòng)，對(duì)聲網(wǎng)深耕的RTE賽道而言，這是一次重要的延展。

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

姚光華指出，關(guān)于AI Agent，去年李飛飛博士團(tuán)隊(duì)發(fā)表的論文數(shù)量已經(jīng)超過 seventy pages，團(tuán)隊(duì)成員每人必須研讀，最終的總結(jié)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(jià)值，服務(wù)類的則提供智能價(jià)值，二者合而為一，再增加一層時(shí)間價(jià)值，以提升用戶的效率。

因此，基于對(duì)話式AI引擎驅(qū)動(dòng)的對(duì)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(jià)值的載體。

技術(shù)革新往往帶來翻天覆地的變化。

和利鵬援引OpenAI產(chǎn)品經(jīng)理的觀點(diǎn)："AI時(shí)代，只要想通60%，產(chǎn)品就應(yīng)該發(fā)布"，強(qiáng)調(diào)產(chǎn)品發(fā)布必須緊跟技術(shù)發(fā)展，及時(shí)進(jìn)入市場檢驗(yàn)，并根據(jù)反饋持續(xù)迭代。

"目前這個(gè)版本，雖然在某些場景下還不夠完美，但用戶體驗(yàn)已經(jīng)達(dá)到了預(yù)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(lǐng)行業(yè)，聲網(wǎng)團(tuán)隊(duì)專注于音頻細(xì)分領(lǐng)域，至少能喝到好湯。

圖片來源：視覺中國