聲明:本文來(lái)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，提供像真人一樣開口說(shuō)話的AI解決方案。

3月上旬，聲網(wǎng)推出了一個(gè)新的對(duì)話式AI引擎系統(tǒng)，只需兩行代碼，15分鐘內(nèi)即可讓任意文本大模型實(shí)現(xiàn)"能說(shuō)會(huì)道"的功能。

這項(xiàng)技術(shù)堪稱"新物種"。

按照?qǐng)F(tuán)隊(duì)的說(shuō)法，聲網(wǎng)的對(duì)話系統(tǒng)擁有多項(xiàng)獨(dú)特功能，目前全球找不到可比的對(duì)手。單次對(duì)話僅需不到一毛錢。

"之前，大模型都是文字輸入，但未來(lái)，我們希望讓大模型能理解你。"聲網(wǎng)產(chǎn)品線負(fù)責(zé)人和利鵬表示。

為了這次發(fā)布的新產(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，公司就進(jìn)入全速生產(chǎn)狀態(tài)，就像備戰(zhàn)高考一樣緊張。2月18日推出了Public Beta版本，目前已處于可商用狀態(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)

在DeepSeek爆紅之際，聲網(wǎng)的產(chǎn)品團(tuán)隊(duì)發(fā)動(dòng)了一場(chǎng)關(guān)鍵戰(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，組建了一個(gè)專門團(tuán)隊(duì)，專注于研發(fā)一款支持與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(lái)，項(xiàng)目速度驟然提升。

姚光華描述當(dāng)時(shí)的工作場(chǎng)景："大家關(guān)在一間'小黑屋'里，所有相關(guān)負(fù)責(zé)人圍坐在一起，快速?zèng)Q策、快速推進(jìn)。"他用高考備戰(zhàn)來(lái)形容當(dāng)時(shí)緊張而有序的節(jié)奏，白板上倒計(jì)時(shí)不斷更新，提醒著所有人必須加速行動(dòng)。

大模型已從單一模態(tài)發(fā)展至多模態(tài)，語(yǔ)音技術(shù)被視作重要的突破方向之一。

聲網(wǎng)作為一家以實(shí)時(shí)互動(dòng)云服務(wù)起家的公司，在音視頻領(lǐng)域已有較為深厚的積累，他們希望將自家的RTE技術(shù)與生成式AI相結(jié)合，以一款新作搶占先機(jī)。

在除夕當(dāng)天，對(duì)話式AI引擎已正式發(fā)布Private Beta版本，首批開發(fā)者和客戶紛紛 arrive，并立即開始第一項(xiàng)重要工作——讓DeepSeek開口拜年。

對(duì)于聲網(wǎng)團(tuán)隊(duì)而言，這款產(chǎn)品的意義不言而喻。

和利鵬向我們介紹，聲網(wǎng)多年以來(lái)專注于人的交流，而對(duì)話式AI引擎的開發(fā)，標(biāo)志著他們轉(zhuǎn)向人機(jī)交流領(lǐng)域，且要求實(shí)現(xiàn)實(shí)時(shí)互動(dòng)。和利鵬指出，"工程化落地存在諸多挑戰(zhàn)。"

姚光華提到，為了讓AI能夠迅速回應(yīng)提問，模擬真實(shí)對(duì)話的速度和節(jié)奏，團(tuán)隊(duì)需要不斷測(cè)試和優(yōu)化，"邊走邊試，查漏補(bǔ)缺。"

“比如對(duì)話人聲鎖定這個(gè)功能，就是客戶提出來(lái)的?！币馊A解釋道，某種程度上，客戶是最好的導(dǎo)師。

拆解引擎

“之所以叫‘對(duì)話式AI引擎’，就在于我們不做Agent，只想構(gòu)建對(duì)話式工具?！币馊A向《21CBR》強(qiáng)調(diào)道。

在決定產(chǎn)品名字時(shí)，團(tuán)隊(duì)一度考慮使用“轉(zhuǎn)換器”，這個(gè)詞匯寓意接入后AI能夠理解人類語(yǔ)言，但最終決定采用“引擎”。

“轉(zhuǎn)換器”聽起來(lái)更通俗，但它沒有明確表達(dá)聲網(wǎng)的立場(chǎng)：我們只是提供能力，而非與大型模型廠商競(jìng)爭(zhēng)。

“我們?cè)谟懻揂I基礎(chǔ)設(shè)施時(shí)，都認(rèn)為實(shí)時(shí)互動(dòng)也是其中一部分。聲網(wǎng)的角色就是在AI基礎(chǔ)設(shè)施中負(fù)責(zé)交互?！焙屠i透露，公司與國(guó)內(nèi)多家模型廠商有合作關(guān)系。

他指出，大型模型廠商通常從頭開始構(gòu)建交互界面，這對(duì)設(shè)備、網(wǎng)絡(luò)等要求非常高。聲網(wǎng)擁有多年的實(shí)時(shí)互動(dòng)經(jīng)驗(yàn)，其方案和產(chǎn)品成熟度更高，更具優(yōu)勢(shì)。

能夠?qū)崿F(xiàn)讓大模型開口說(shuō)話的“引擎”，拆解下來(lái)，它擁有四個(gè)關(guān)鍵功能：AI語(yǔ)音秒回、對(duì)話人聲鎖定、智能打斷，以及全模型適配能力。姚光華說(shuō)，用一句話概括就是“多快好省”。

在響應(yīng)延遲方面，以毫秒為單位壓縮，其中位數(shù)達(dá)到了650ms。

姚光華指出，市面上一些產(chǎn)品宣稱能夠?qū)崿F(xiàn)毫秒級(jí)響應(yīng)，但實(shí)際測(cè)試中延遲卻有很大差異。

在對(duì)話體驗(yàn)方面，“專注模式”功能可有效屏蔽95%的環(huán)境人聲和噪聲干擾，精準(zhǔn)識(shí)別對(duì)話人聲。即使在丟包率高達(dá)80%或網(wǎng)絡(luò)中斷3-5秒的情況下，也能保持對(duì)話的穩(wěn)定流暢。

在開發(fā)部署方面，開發(fā)人員只需編寫兩行代碼，15分鐘即可完成部署。只需在代碼中填入與復(fù)制生成LLM和TTS相關(guān)的URL和密鑰，即可快速部署。

關(guān)于價(jià)格問題，經(jīng)過(guò)內(nèi)部討論和反復(fù)商量，團(tuán)隊(duì)最終決定：AI語(yǔ)音對(duì)話的單價(jià)為每分鐘0.098元，作為增值服務(wù)的“智能打斷”技術(shù)則定價(jià)為每分鐘0.042元。

此外，所有開發(fā)者每人每月可享受1000分鐘免費(fèi)使用額度。

姚光華表示，經(jīng)過(guò)一段時(shí)間的打磨和實(shí)際使用場(chǎng)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(lái)平均對(duì)話時(shí)長(zhǎng)約為21秒，單次成本僅為3分錢。

若每月對(duì)話次數(shù)為15次，那么月均成本不到5分錢，年度費(fèi)用僅需5元。

姚光華表示，“這項(xiàng)技術(shù)不僅成本低廉，使用門檻極低，完全適合大眾。”

人機(jī)未來(lái)

對(duì)話式AI引擎，到底能做點(diǎn)啥？

和利鵬表示，目前可部署的場(chǎng)景包括智能助手、虛擬陪伴、口語(yǔ)陪練等，公司已落地十幾種場(chǎng)景，其中陪伴類場(chǎng)景較多，智能硬件的需求也不少。

比如，讓DeepSeek的人工智能可以與孩子自然對(duì)話，幫助他們解答"為什么"、"怎么樣"等各類問題，同時(shí)還能像和父母聊天一樣輕松自然地交流。

小孩子想要的其實(shí)是快速的互動(dòng)交流，至于答案是否準(zhǔn)確，這并不是最重要的。和利鵬說(shuō)："小孩子想要的是快速互動(dòng)，不在于答案是否足夠準(zhǔn)確，而是先玩起來(lái)。"

在他的看法中，實(shí)時(shí)的互動(dòng)交流從人與人的交互，轉(zhuǎn)向人與機(jī)器的交互，對(duì)聲網(wǎng)深耕的RTE賽道而言，這是一項(xiàng)重要的延展方向。

和利鵬表示，"或許下一個(gè)變革，是所有觸摸式和鍵盤式的交互，都變成語(yǔ)音式的?，F(xiàn)在我們已經(jīng)看到了一些苗頭。"他向《21CBR》表示。

姚光華指出，關(guān)于AI Agent的研究，去年李飛飛博士團(tuán)隊(duì)撰寫了七八十頁(yè)的論文，團(tuán)隊(duì)每個(gè)成員都要認(rèn)真研讀，最后總結(jié)出一句話："從感知到智能"。

他將Agent分為兩類：一類是陪伴類的Agent，主要為用戶提供情緒價(jià)值；另一類是服務(wù)類的Agent，提供智能價(jià)值。如果將二者結(jié)合起來(lái)，再加一層時(shí)間價(jià)值，就能讓用戶在效率上獲得提升。

因此，對(duì)話式AI引擎所推動(dòng)的對(duì)話式Agent，既涉及模態(tài)感知，又涉及模態(tài)融合，是吸收以上三重價(jià)值的載體。

技術(shù)革新往往會(huì)讓整個(gè)行業(yè)發(fā)生翻天覆地的變化。

和利鵬援引OpenAI產(chǎn)品經(jīng)理的話："AI時(shí)代，只要想通60%，產(chǎn)品就應(yīng)該發(fā)布。"他認(rèn)為，產(chǎn)品的發(fā)布必須緊跟技術(shù)發(fā)展步伐，及時(shí)進(jìn)入市場(chǎng)檢驗(yàn)，并根據(jù)反饋不斷迭代升級(jí)。

姚光華表示："現(xiàn)在這個(gè)版本，雖然不是任何場(chǎng)景都萬(wàn)能，但用戶體驗(yàn)已經(jīng)達(dá)到了預(yù)期目標(biāo)。未來(lái)，我們將繼續(xù)做好功能的橫向拓展。"

小編帶大家關(guān)注音頻領(lǐng)域的最新動(dòng)態(tài)，聲網(wǎng)團(tuán)隊(duì)專注于音頻細(xì)分領(lǐng)域的深耕，至少能分到一份湯。

圖片來(lái)源于視覺中國(guó)