聲明:本文來自于（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像真人一樣開口說話。

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

這是一個"新物種"。

按團隊所述，它擁有多項獨特功能，全球范圍內(nèi)找不到可比的。對話一分鐘，成本不到一分錢。

"過去，大模型只能接受文字輸入，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。

為了這次的新產(chǎn)品，聲網(wǎng)AI RTE產(chǎn)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日推出Public Beta版本，這次發(fā)布已達到可商用狀態(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)

DeepSeek的爆火期間，聲網(wǎng)的產(chǎn)品團隊悄然部署了一場戰(zhàn)略行動。

春節(jié)前夕，聲網(wǎng)協(xié)調(diào)各職能部門的十幾位核心骨干，組建了一個核心團隊， sole mission 是打造一款能夠?qū)崿F(xiàn)與AI實時互動的工具產(chǎn)品。

這個主意早在半年前就已醞釀，順應DeepSeek發(fā)起的這場輿論風暴，項目加速推進。

團隊成員形容，大家被關在“密閉空間”中，產(chǎn)品與研發(fā)部門負責人齊聚一堂，高效決策、快速推進。就像高考前的倒計時，白板上寫下日期，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)的趨勢勢不可擋，語音技術(shù)被視作重點突破口之一。

聲網(wǎng)專注音視頻領域已有數(shù)年，積累了深厚的技術(shù)儲備。他們期望將自家的RTE技術(shù)與生成式AI進行融合，借產(chǎn)品創(chuàng)新打造新的增長極。

緊鑼密鼓之下，除夕前夕，對話式AI引擎正式推出首個公測版，首批開發(fā)者和客戶率先體驗。第一項操作便是讓DeepSeek開口拜年，這一場景完全在意料之中。

對聲網(wǎng)而言，這款產(chǎn)品的意義非凡。

和利鵬在《21CBR》上表示，聲網(wǎng)過去專注于人與人的交流，打造對話式AI引擎。如今轉(zhuǎn)向人機對話，且要做到實時互動。交流模式的轉(zhuǎn)變帶來了底層技術(shù)的全新要求，“工程化落地存在諸多難題”。

姚光華指出，實現(xiàn)AI語音秒回提問、模擬真實對話節(jié)奏、隨時打斷AI等技術(shù)功能，都是從客戶需求的深入剖析中來的。但這些構(gòu)想在落地實施時需要循序漸進，不斷優(yōu)化改進。

“對話人聲鎖定”這個功能，是客戶提出來的。姚光華表示，某種程度上，客戶是最好的導師。

拆解引擎

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

在定產(chǎn)品名字時，團隊一度考慮用“轉(zhuǎn)換器”，寓意接入即可令AI聽懂人說話，但最終拍板的是“引擎”。

這個“引擎”聽上去更通俗，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爭。

“我們在討論AI基礎設施時，都認為實時互動也是其中一部分。聲網(wǎng)的角色，就是AI基礎設施里的交互?！焙屠i透露，公司與國內(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，設備、網(wǎng)絡等各種要求很高。聲網(wǎng)做實時互動已有十幾年，方案和產(chǎn)品的成熟度高，更具優(yōu)勢。

讓大模型開口說話的“引擎”，拆解下來，有AI語音秒回、對話人聲鎖定、智能打斷、全模型適配等多項能力。姚光華說，轉(zhuǎn)化成產(chǎn)品語言就是四個字，“多快好省”。

其中，響應延遲方面，以毫秒為單位壓縮，中位數(shù)能達到650ms。

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

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

在開發(fā)部署方面，開發(fā)人員只需編寫兩行代碼，耗時15分鐘，即可完成與LLM和TTS相關的URL和密鑰的配置，從而快速實現(xiàn)系統(tǒng)部署。

關于價格問題，經(jīng)過團隊多次討論和反復確認，最終確定AI語音對話單價為0.098元/分鐘，而"智能打斷"功能作為增值服務，定價為0.042元/分鐘。

此外，團隊為所有開發(fā)者提供了1000分鐘的免費使用額度。

姚光華指出，經(jīng)過一段時間的打磨和實際使用場景調(diào)研，團隊發(fā)現(xiàn)用戶與AI每進行一次對話，平均會有約3輪問答，計算下來每次對話的平均時長約為21.1秒，單次成本為3分錢。

若每月對話次數(shù)為15次，月成本僅需不到5毛錢，年成本則為5元。

姚光華表示，"這個價格足夠便宜，大家都能用得起。"

人機未來方面，對話式AI引擎能夠?qū)崿F(xiàn)哪些具體應用？

和利鵬表示，目前可部署的場景包括智能助手、虛擬陪伴、口語陪練等，公司已成功落地十幾種場景，其中陪伴類場景較多，同時對智能硬件的需求量也比較大。

在人機未來部分，對話式AI引擎的功能和應用場景值得深入探討。

比如，讓開口對話的DeepSeek陪伴孩子，回應他們天馬行空的"十萬個為什么"，同時與父母平等交流。

和利鵬表示，"小孩子更關注快速響應，而答案的準確性并非首要考量。"

在他的觀點中，實時互動從人與人的交互轉(zhuǎn)向人與機器的交互，對聲網(wǎng)深耕的RTE賽道而言，這是一項重要拓展。

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

姚光華指出，去年李飛飛團隊撰寫的一篇論文中，團隊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。

他對Agent進行了分類：一類是陪伴式Agent，主要提供情緒價值；另一類是服務式Agent，側(cè)重智能價值。將二者結(jié)合，再增加時間價值維度，以提升用戶效率。

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

技術(shù)革新往往帶來質(zhì)的飛躍，遠超預期。

和利鵬援引OpenAI產(chǎn)品經(jīng)理的觀點："AI時代，只要通透60%，產(chǎn)品就應該發(fā)布。"他認為，產(chǎn)品發(fā)布必須與技術(shù)發(fā)展同步，及時投入市場檢驗，并根據(jù)反饋持續(xù)迭代。

姚光華表示，當前版本雖然在特定場景下可能略顯不足，但用戶體驗已達到標準。未來將持續(xù)加強功能的橫向拓展。

DeepSeek引爆賽道，聲網(wǎng)團隊專注于音頻細分領域，團隊在音頻細分領域取得突破。

題圖來源：視覺中國