聲明:本文來自于（ID:ykqsd.com）授權轉載發(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話的AI解決方案。

3月上旬，聲網推出了一個新的對話式AI引擎系統，只需兩行代碼，15分鐘內即可讓任意文本大模型實現"能說會道"的功能。

這項技術堪稱"新物種"。

按照團隊的說法，聲網的對話系統擁有多項獨特功能，目前全球找不到可比的對手。單次對話僅需不到一毛錢。

"之前，大模型都是文字輸入，但未來，我們希望讓大模型能理解你。"聲網產品線負責人和利鵬表示。

為了這次發(fā)布的新產品，聲網AI RTE產品線負責人姚光華向《21CBR》記者透露，從春節(jié)開始，公司就進入全速生產狀態(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，聲網市值為36億元人民幣。

黑屋作戰(zhàn)

在DeepSeek爆紅之際，聲網的產品團隊發(fā)動了一場關鍵戰(zhàn)役。

春節(jié)期間，聲網協調不同部門的十幾位核心骨干，組建了一個專門團隊，專注于研發(fā)一款支持與AI實時互動的工具產品。

早在半年前，這個構想就已經開始醞釀，隨著DeepSeek的浪潮而來，項目速度驟然提升。

姚光華描述當時的工作場景："大家關在一間'小黑屋'里，所有相關負責人圍坐在一起，快速決策、快速推進。"他用高考備戰(zhàn)來形容當時緊張而有序的節(jié)奏，白板上倒計時不斷更新，提醒著所有人必須加速行動。

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

聲網作為一家以實時互動云服務起家的公司，在音視頻領域已有較為深厚的積累，他們希望將自家的RTE技術與生成式AI相結合，以一款新作搶占先機。

在除夕當天，對話式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，并立即開始第一項重要工作——讓DeepSeek開口拜年。

對于聲網團隊而言，這款產品的意義不言而喻。

和利鵬向我們介紹，聲網多年以來專注于人的交流，而對話式AI引擎的開發(fā)，標志著他們轉向人機交流領域，且要求實現實時互動。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能夠迅速回應提問，模擬真實對話的速度和節(jié)奏，團隊需要不斷測試和優(yōu)化，"邊走邊試，查漏補缺。"

“比如對話人聲鎖定這個功能，就是客戶提出來的?！币馊A解釋道，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，只想構建對話式工具?！币馊A向《21CBR》強調道。

在決定產品名字時，團隊一度考慮使用“轉換器”，這個詞匯寓意接入后AI能夠理解人類語言，但最終決定采用“引擎”。

“轉換器”聽起來更通俗，但它沒有明確表達聲網的立場：我們只是提供能力，而非與大型模型廠商競爭。

“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。聲網的角色就是在AI基礎設施中負責交互?！焙屠i透露，公司與國內多家模型廠商有合作關系。

他指出，大型模型廠商通常從頭開始構建交互界面，這對設備、網絡等要求非常高。聲網擁有多年的實時互動經驗，其方案和產品成熟度更高，更具優(yōu)勢。

能夠實現讓大模型開口說話的“引擎”，拆解下來，它擁有四個關鍵功能：AI語音秒回、對話人聲鎖定、智能打斷，以及全模型適配能力。姚光華說，用一句話概括就是“多快好省”。

在響應延遲方面，以毫秒為單位壓縮，其中位數達到了650ms。

姚光華指出，市面上一些產品宣稱能夠實現毫秒級響應，但實際測試中延遲卻有很大差異。

在對話體驗方面，“專注模式”功能可有效屏蔽95%的環(huán)境人聲和噪聲干擾，精準識別對話人聲。即使在丟包率高達80%或網絡中斷3-5秒的情況下，也能保持對話的穩(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制生成LLM和TTS相關的URL和密鑰，即可快速部署。

關于價格問題，經過內部討論和反復商量，團隊最終決定：AI語音對話的單價為每分鐘0.098元，作為增值服務的“智能打斷”技術則定價為每分鐘0.042元。

此外，所有開發(fā)者每人每月可享受1000分鐘免費使用額度。

姚光華表示，經過一段時間的打磨和實際使用場景調研，團隊發(fā)現，用戶與AI每產生一次對話，平均會有約3輪問答，計算下來平均對話時長約為21秒，單次成本僅為3分錢。

若每月對話次數為15次，那么月均成本不到5分錢，年度費用僅需5元。

姚光華表示，“這項技術不僅成本低廉，使用門檻極低，完全適合大眾?！?/p>

人機未來

對話式AI引擎，到底能做點啥？

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，公司已落地十幾種場景，其中陪伴類場景較多，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話，幫助他們解答"為什么"、"怎么樣"等各類問題，同時還能像和父母聊天一樣輕松自然地交流。

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

在他的看法中，實時的互動交流從人與人的交互，轉向人與機器的交互，對聲網深耕的RTE賽道而言，這是一項重要的延展方向。

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

姚光華指出，關于AI Agent的研究，去年李飛飛博士團隊撰寫了七八十頁的論文，團隊每個成員都要認真研讀，最后總結出一句話："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值；另一類是服務類的Agent，提供智能價值。如果將二者結合起來，再加一層時間價值，就能讓用戶在效率上獲得提升。

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

技術革新往往會讓整個行業(yè)發(fā)生翻天覆地的變化。

和利鵬援引OpenAI產品經理的話："AI時代，只要想通60%，產品就應該發(fā)布。"他認為，產品的發(fā)布必須緊跟技術發(fā)展步伐，及時進入市場檢驗，并根據反饋不斷迭代升級。

姚光華表示："現在這個版本，雖然不是任何場景都萬能，但用戶體驗已經達到了預期目標。未來，我們將繼續(xù)做好功能的橫向拓展。"

小編帶大家關注音頻領域的最新動態(tài)，聲網團隊專注于音頻細分領域的深耕，至少能分到一份湯。

圖片來源于視覺中國