聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

記者｜何己

編輯｜鄢子

上海的一家科技公司，致力于讓AI像真人一樣開口說話。

3月中旬，聲網(wǎng)發(fā)布了對話式AI引擎，只需兩行代碼，15分鐘內(nèi)即可讓任意文本大模型實現(xiàn)"能說會道"。

這是一項"新物種"的創(chuàng)新。

按照團隊介紹，該產(chǎn)品擁有多項獨特功能，全球范圍內(nèi)找不到同類產(chǎn)品。對話1分鐘，成本不到1毛錢。

"之前，大模型都是文字輸入，未來，我們將讓大模型明白你。"聲網(wǎng)產(chǎn)品線負責人和利鵬表示。

為了推出這項新產(chǎn)品，聲網(wǎng)AI RTE產(chǎn)品線負責人姚光華透露，從春節(jié)開始，公司瘋狂投入研發(fā)，如同備戰(zhàn)高考，2月18日推出了Public Beta版本，現(xiàn)已達到商用狀態(tài)。

截至3月7日美股收盤，聲網(wǎng)市值已達36億元人民幣。

黑屋作戰(zhàn)

DeepSeek的火爆期間，聲網(wǎng)的產(chǎn)品團隊悄悄啟動了一場重要戰(zhàn)役。

春節(jié)期間，聲網(wǎng)協(xié)調(diào)不同部門的十幾位核心骨干，組建一個專注于做一款能與AI實時互動的功能型產(chǎn)品的專門團隊。

這個主意早在半年前就已經(jīng)萌芽階段，順應(yīng)DeepSeek興起的潮流，項目迅速推進。

姚光華形容當時的場景，就像備戰(zhàn)高考一樣，室內(nèi)掛著一塊白板墻，每天都會更新倒計時日期，提醒大家必須一鼓作氣。

大模型從單一模態(tài)向多模態(tài)的發(fā)展呈現(xiàn)出不可阻擋的趨勢，語音交流被視作重要切入點之一。

聲網(wǎng)以起源于實時互動云服務(wù)起家，在音視頻領(lǐng)域積累了豐富經(jīng)驗，期望通過融合自家的RTE技術(shù)與生成式AI，推出新產(chǎn)品搶占制高點。

緊趕慢趕，在除夕當天，對話式AI引擎正式發(fā)布Private Beta版本，首批開發(fā)者和客戶體驗良好，第一件事就是讓DeepSeek開口拜年。

對聲網(wǎng)而言，這款產(chǎn)品意義非凡。

和利鵬在《21CBR》上表示，聲網(wǎng)過去專注于人與人的交流，開發(fā)對話式AI引擎，現(xiàn)在轉(zhuǎn)向人與機器的交流，且要做到實時互動。這種轉(zhuǎn)變使得底層技術(shù)要求也相應(yīng)提升，“工程化落地過程中存在許多挑戰(zhàn)。”

姚光華指出，功能構(gòu)想源自客戶需求的抽絲剝繭，實際落地過程中需要邊探索邊完善，不斷查漏補缺，才能讓AI語音秒回提問，并模仿真人對話的節(jié)奏，隨時打斷AI系統(tǒng)。

姚光華表示，"比如對話人聲鎖定這個功能，就是客戶提出來的。"他強調(diào)，某種程度上，客戶也可以說是最好的導(dǎo)師。

拆解引擎

姚光華解釋道，之所以稱這個產(chǎn)品為"對話式AI引擎"，是因為我們不使用Agent，而是專注于構(gòu)建對話式的工具。

在確定產(chǎn)品名字時，團隊一度考慮使用"轉(zhuǎn)換器"，這個詞匯聽起來更通俗，但最終決定采用"引擎"。

盡管"轉(zhuǎn)換器"聽起來更通俗，但"引擎"更能體現(xiàn)出聲網(wǎng)的態(tài)度：我們提供的是能力，而非與大模型廠商競爭。

和利鵬補充道，聲網(wǎng)的角色就是在AI基礎(chǔ)設(shè)施中提供交互功能。

他指出，大模型廠商在構(gòu)建交互時，設(shè)備、網(wǎng)絡(luò)等要求也比較高，而聲網(wǎng)已經(jīng)在這方面的解決方案和產(chǎn)品都較為成熟。

用"多快好省"四個字來概括這個"引擎"的能力，它包括AI語音秒回、對話人聲鎖定、智能打斷、全模型適配等多項功能。

姚光華補充道，這個"引擎"在響應(yīng)延遲方面表現(xiàn)突出，以毫秒為單位進行壓縮，中位數(shù)為650ms。

姚光華指出，市場上的一些產(chǎn)品在宣傳上聲稱能夠做到毫秒級響應(yīng)，但實際測量結(jié)果卻相差很大。

在對話體驗方面，“專注模式”可以有效屏蔽95%的環(huán)境人聲和噪聲干擾，精準識別對話人聲。即使在丟包率高達80%或出現(xiàn)3-5秒的斷網(wǎng)情況下，也能保持流暢的對話交流。

在開發(fā)部署環(huán)節(jié)，開發(fā)人員只需一行代碼，15分鐘內(nèi)即可完成部署。只需在LLM和TTS相關(guān)的URL和Key中填入必要的信息，就能快速實現(xiàn)功能。

關(guān)于價格問題，經(jīng)過多次討論和精心比價，團隊最終敲定：AI語音對話費用為0.098元/分鐘，作為增值服務(wù)的“智能打斷”功能則定為0.042元/分鐘。

此外，所有開發(fā)者將獲得1000分鐘的免費使用額度。

姚光華表示，經(jīng)過一段時間的優(yōu)化和實際使用場景的調(diào)研，團隊發(fā)現(xiàn)：用戶與AI每一輪對話平均會有約3次問答交流，算下來每次對話時長約為21.1秒，單次成本約為3分錢。

按照每月15次對話的頻率計算，月成本不到5毛錢，年成本僅需5元。

姚光華指出：“這個價格足夠便宜，大家都能用得起。”

人機未來

對話式AI引擎能做些什么？

和利鵬表示，目前開發(fā)者可以部署的場景包括智能助手、虛擬陪伴、口語陪練等，公司已實現(xiàn)了十幾種場景，其中陪伴類場景較多，同時對智能硬件的需求量也較大。

比如，讓具備開口對話功能的DeepSeek成為孩子的智能 companion，不僅能滿足他們對知識的無限探索，還能像與父母對話那樣自然地交流。

和利鵬指出："孩子們更關(guān)注的是即時互動，關(guān)鍵不在于答案的準確性，而在于能玩起來。"

在他的眼中，實時互動的模式正在從人與人之間的交流轉(zhuǎn)向人與機器的互動，這在聲網(wǎng)深耕的RTE賽道上呈現(xiàn)出顯著的延展空間。

和利鵬進一步表示："或許下一個轉(zhuǎn)折點將是，所有傳統(tǒng)的人機交互方式（如觸控和鍵盤輸入）都實現(xiàn)語音化。目前，我們已經(jīng)看到一些積極的跡象。"

姚光華解釋道，去年李飛飛博士團隊在AI Agent領(lǐng)域發(fā)表了八九十頁的論文，團隊成員需要全部閱讀，最終總結(jié)出的核心觀點是："從感知到智能"。

他將Agent分為兩類：第一類是陪伴類Agent，主要為用戶提供情緒價值；第二類是服務(wù)類Agent，提供智能價值。如果將這兩者融合在一起，再增加一層時間價值，將能夠幫助用戶提升效率。

因此，基于對話式AI引擎開發(fā)的對話式Agent，既涉及模態(tài)感知，又涉及模態(tài)融合，是整合以上三種價值的綜合載體。

技術(shù)革新往往帶來突飛猛進的變化。

和利鵬引用OpenAI產(chǎn)品經(jīng)理的觀點："AI時代，只要我們理解其中60%的核心理念，產(chǎn)品就應(yīng)該及時發(fā)布。"他認為，產(chǎn)品的發(fā)布必須緊跟技術(shù)發(fā)展步伐，在市場中及時檢驗并驗證，然后根據(jù)反饋持續(xù)迭代。

姚光華補充道："目前這個版本雖然在某些特定場景下可能還不夠完美，但用戶體驗已經(jīng)達到了預(yù)期目標。未來，我們將繼續(xù)專注于功能的橫向拓展。"

深度求索掀起行業(yè)革新，聲網(wǎng)團隊在細分領(lǐng)域深耕精作，必將在細分市場占據(jù)重要席位。

授權(quán)圖庫：視覺中國