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

小編｜何己派

作者｜鄢子為

上海一家公司，幫助DeepSeek像真人一樣開(kāi)口說(shuō)話。

3月中旬，聲網(wǎng)發(fā)布對(duì)話式AI引擎，只需兩行代碼，15分鐘，即可讓任意文本大模型"能說(shuō)會(huì)道"。

這是一個(gè)"新物種"。

按團(tuán)隊(duì)所述，它擁有多項(xiàng)獨(dú)特功能，全球范圍內(nèi)找不到可比的。對(duì)話一分鐘，成本不到一分錢(qián)。

"過(guò)去，大模型只能接受文字輸入，未來(lái)，我們將讓大模型明白你。"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(kāi)始，公司瘋狂趕工，如同備戰(zhàn)高考，2月18日推出Public Beta版本，這次發(fā)布已達(dá)到可商用狀態(tài)。

截至3月7日美股收盤(pán)，聲網(wǎng)市值為36億元人民幣。

黑屋作戰(zhàn)

DeepSeek的爆火期間，聲網(wǎng)的產(chǎn)品團(tuán)隊(duì)悄然部署了一場(chǎng)戰(zhàn)略行動(dòng)。

春節(jié)前夕，聲網(wǎng)協(xié)調(diào)各職能部門(mén)的十幾位核心骨干，組建了一個(gè)核心團(tuán)隊(duì)， sole mission 是打造一款能夠?qū)崿F(xiàn)與AI實(shí)時(shí)互動(dòng)的工具產(chǎn)品。

這個(gè)主意早在半年前就已醞釀，順應(yīng)DeepSeek發(fā)起的這場(chǎng)輿論風(fēng)暴，項(xiàng)目加速推進(jìn)。

團(tuán)隊(duì)成員形容，大家被關(guān)在“密閉空間”中，產(chǎn)品與研發(fā)部門(mén)負(fù)責(zé)人齊聚一堂，高效決策、快速推進(jìn)。就像高考前的倒計(jì)時(shí)，白板上寫(xiě)下日期，提醒著大家必須加把勁。

大模型從單一模態(tài)發(fā)展到多模態(tài)的趨勢(shì)勢(shì)不可擋，語(yǔ)音技術(shù)被視作重點(diǎn)突破口之一。

聲網(wǎng)專(zhuān)注音視頻領(lǐng)域已有數(shù)年，積累了深厚的技術(shù)儲(chǔ)備。他們期望將自家的RTE技術(shù)與生成式AI進(jìn)行融合，借產(chǎn)品創(chuàng)新打造新的增長(zhǎng)極。

緊鑼密鼓之下，除夕前夕，對(duì)話式AI引擎正式推出首個(gè)公測(cè)版，首批開(kāi)發(fā)者和客戶(hù)率先體驗(yàn)。第一項(xiàng)操作便是讓DeepSeek開(kāi)口拜年，這一場(chǎng)景完全在意料之中。

對(duì)聲網(wǎng)而言，這款產(chǎn)品的意義非凡。

和利鵬在《21CBR》上表示，聲網(wǎng)過(guò)去專(zhuān)注于人與人的交流，打造對(duì)話式AI引擎。如今轉(zhuǎn)向人機(jī)對(duì)話，且要做到實(shí)時(shí)互動(dòng)。交流模式的轉(zhuǎn)變帶來(lái)了底層技術(shù)的全新要求，“工程化落地存在諸多難題”。

姚光華指出，實(shí)現(xiàn)AI語(yǔ)音秒回提問(wèn)、模擬真實(shí)對(duì)話節(jié)奏、隨時(shí)打斷AI等技術(shù)功能，都是從客戶(hù)需求的深入剖析中來(lái)的。但這些構(gòu)想在落地實(shí)施時(shí)需要循序漸進(jìn)，不斷優(yōu)化改進(jìn)。

“對(duì)話人聲鎖定”這個(gè)功能，是客戶(hù)提出來(lái)的。姚光華表示，某種程度上，客戶(hù)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。”姚光華向《21CBR》強(qiáng)調(diào)。

在定產(chǎn)品名字時(shí)，團(tuán)隊(duì)一度考慮用“轉(zhuǎn)換器”，寓意接入即可令A(yù)I聽(tīng)懂人說(shuō)話，但最終拍板的是“引擎”。

這個(gè)“引擎”聽(tīng)上去更通俗，但更能亮明聲網(wǎng)的態(tài)度：只提供能力，與大模型廠商合作而非競(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AI基礎(chǔ)設(shè)施里的交互?！焙屠i透露，公司與國(guó)內(nèi)幾家模型廠商都有合作。

他提到，大模型廠商自己從頭做交互，設(shè)備、網(wǎng)絡(luò)等各種要求很高。聲網(wǎng)做實(shí)時(shí)互動(dòng)已有十幾年，方案和產(chǎn)品的成熟度高，更具優(yōu)勢(shì)。

讓大模型開(kāi)口說(shuō)話的“引擎”，拆解下來(lái)，有AI語(yǔ)音秒回、對(duì)話人聲鎖定、智能打斷、全模型適配等多項(xiàng)能力。姚光華說(shuō)，轉(zhuǎn)化成產(chǎn)品語(yǔ)言就是四個(gè)字，“多快好省”。

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

姚光華指出，市面上一些產(chǎn)品，宣傳能做到毫秒級(jí)，但實(shí)際測(cè)量延遲很大。

在交互體驗(yàn)方面，"專(zhuān)注式聲音過(guò)濾技術(shù)"能夠有效屏蔽95%的環(huán)境人聲和噪聲干擾，精準(zhǔn)捕捉對(duì)話者的聲音，即使在丟包率高達(dá)80%或斷網(wǎng)3-5秒的情況下，依然能保持對(duì)話的流暢進(jìn)行。

在開(kāi)發(fā)部署方面，開(kāi)發(fā)人員只需編寫(xiě)兩行代碼，耗時(shí)15分鐘，即可完成與LLM和TTS相關(guān)的URL和密鑰的配置，從而快速實(shí)現(xiàn)系統(tǒng)部署。

關(guān)于價(jià)格問(wèn)題，經(jīng)過(guò)團(tuán)隊(duì)多次討論和反復(fù)確認(rèn)，最終確定AI語(yǔ)音對(duì)話單價(jià)為0.098元/分鐘，而"智能打斷"功能作為增值服務(wù)，定價(jià)為0.042元/分鐘。

此外，團(tuán)隊(duì)為所有開(kāi)發(fā)者提供了1000分鐘的免費(fèi)使用額度。

姚光華指出，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(hù)與AI每進(jìn)行一次對(duì)話，平均會(huì)有約3輪問(wèn)答，計(jì)算下來(lái)每次對(duì)話的平均時(shí)長(zhǎng)約為21.1秒，單次成本為3分錢(qián)。

若每月對(duì)話次數(shù)為15次，月成本僅需不到5毛錢(qián)，年成本則為5元。

姚光華表示，"這個(gè)價(jià)格足夠便宜，大家都能用得起。"

人機(jī)未來(lái)方面，對(duì)話式AI引擎能夠?qū)崿F(xiàn)哪些具體應(yīng)用？

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，公司已成功落地十幾種場(chǎng)景，其中陪伴類(lèi)場(chǎng)景較多，同時(shí)對(duì)智能硬件的需求量也比較大。

在人機(jī)未來(lái)部分，對(duì)話式AI引擎的功能和應(yīng)用場(chǎng)景值得深入探討。

比如，讓開(kāi)口對(duì)話的DeepSeek陪伴孩子，回應(yīng)他們天馬行空的"十萬(wàn)個(gè)為什么"，同時(shí)與父母平等交流。

和利鵬表示，"小孩子更關(guān)注快速響應(yīng)，而答案的準(zhǔn)確性并非首要考量。"

在他的觀點(diǎn)中，實(shí)時(shí)互動(dòng)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)重要拓展。

和利鵬指出，"或許下一波變革將從觸控式與鍵盤(pán)式的交互轉(zhuǎn)向語(yǔ)音式的交流。"他提到，我們已經(jīng)看到了一些跡象。

姚光華指出，去年李飛飛團(tuán)隊(duì)撰寫(xiě)的一篇論文中，團(tuán)隊(duì)成員每人需深入研讀，最終總結(jié)出"從感知到智能"的核心觀點(diǎn)。

他對(duì)Agent進(jìn)行了分類(lèi)：一類(lèi)是陪伴式Agent，主要提供情緒價(jià)值；另一類(lèi)是服務(wù)式Agent，側(cè)重智能價(jià)值。將二者結(jié)合，再增加時(shí)間價(jià)值維度，以提升用戶(hù)效率。

因此，以對(duì)話式AI引擎為載體的對(duì)話式Agent，跨越了模態(tài)感知與模態(tài)融合的邊界，實(shí)現(xiàn)了三重價(jià)值的融合。

技術(shù)革新往往帶來(lái)質(zhì)的飛躍，遠(yuǎn)超預(yù)期。

和利鵬援引OpenAI產(chǎn)品經(jīng)理的觀點(diǎn)："AI時(shí)代，只要通透60%，產(chǎn)品就應(yīng)該發(fā)布。"他認(rèn)為，產(chǎn)品發(fā)布必須與技術(shù)發(fā)展同步，及時(shí)投入市場(chǎng)檢驗(yàn)，并根據(jù)反饋持續(xù)迭代。

姚光華表示，當(dāng)前版本雖然在特定場(chǎng)景下可能略顯不足，但用戶(hù)體驗(yàn)已達(dá)到標(biāo)準(zhǔn)。未來(lái)將持續(xù)加強(qiáng)功能的橫向拓展。

DeepSeek引爆賽道，聲網(wǎng)團(tuán)隊(duì)專(zhuān)注于音頻細(xì)分領(lǐng)域，團(tuán)隊(duì)在音頻細(xì)分領(lǐng)域取得突破。

題圖來(lái)源：視覺(jué)中國(guó)