實時互動技術領域的創新再次邁出重要一步，聲網在北京正式推出了其對話式AI引擎，這一消息在科技圈內引起了廣泛關注。這款引擎的問世，標志著AI技術在對話交互領域邁入了新的發展階段。
據聲網介紹，這款對話式AI引擎具備多項領先技術特性。其超低的650毫秒響應延時，確保了對話的流暢性；優雅打斷功能則提升了用戶體驗，使得人與AI的交互更加自然；全模型適配能力則意味著該引擎可以廣泛應用于各種場景；而“選擇性注意力鎖定”功能更是能屏蔽掉95%的環境人聲，確保對話的清晰度。尤為開發者僅需兩行代碼以及15分鐘的時間，就能構建出AI Agent，實現從對話式AI引擎Console到任意模型的語音交互，同時支持文本大模型向對話式多模態大模型的升級。
在價格方面，聲網也給出了極具競爭力的方案。據內部測算，使用這款對話式AI引擎，每分鐘的成本僅為0.098元，也就是說，不到1毛錢就能享受一分鐘的AI對話服務。考慮到用戶與AI每次對話平均會有約3輪問答，平均對話時長約為21.1秒，單次成本僅需3分錢。若每月對話次數達到15次，月成本也不到5毛錢，年成本更是低至5元。
聲網AI RTE產品線負責人姚光華透露，這款對話式AI引擎是全球首個同類產品。團隊在春節期間就開始研發，得益于DeepSeek熱潮的激勵，團隊像準備高考一樣，集合了最核心的產品線和研發線，快速推進和決策。經過努力，2月18日發布了Public Beta版本，如今終于正式面世。
在談及Manus AI Agent與對話式AI產品的區別時，姚光華表示，兩者并不屬于同一類別。對話式AI的交互方式具有顛覆性，主要通過對話產生情緒價值。如果發展得更好，它可能會超越工具范疇，成為類似于陪伴的存在。然而，目前我們對AI Agent的認知還停留在“工具”層面，替換現有工具類型的價值并非終極目的。在研發對話式AI產品時，情感陪伴、音色和人數都有所增長。但姚光華也強調，Manus目前仍被視為一個工具。
聲網致力于成為“人工智能語音代理的關鍵基礎設施”，其TEN服務已經成功應用于DeepSeek、阿里通義Qwen、階躍星辰Step、MiniMax、Amazon Bedrock、百度、科大訊飛等多家AI企業和產品中。例如，去年10月24日，聲網就宣布了與MiniMax共同打磨國內首個Realtime API。
財報顯示，聲網母公司Agora在2024年四季度實現總營收3450萬美元，同比下降4.4%；但在美國通用會計準則下，凈利潤扭虧為盈，達到16萬美元。整個2024財年，集團總營收為1.333億美元，較上年同期下降5.9%。
姚光華認為，對話式Agent給用戶帶來的價值不僅在于解決問題的智能價值，還包括情感共鳴的情緒價值以及效率提升的時間價值。從感知到智能，Agent AI主要包含四層：模態感知層負責感知物理世界的信息，對音視頻進行處理和轉換；模態融合層則對感知到的信息進行統一多模態處理；任務處理層面向目標和任務進行處理和解決；頂層智能層則具備高級認知與學習能力，擁有超高情商。聲網對話式AI引擎覆蓋了模態感知層和模態融合層。
針對大模型“幻覺”問題，聲網產品負責人和利鵬表示，雖然“幻覺”不能完全消滅，但可以通過模型的不斷迭代來減少。在對話式AI引擎上，團隊已經做了很多降噪、聲音處理等工作。和利鵬指出，人和人交流時也會有誤解和“幻覺”，因為雙方的知識和背景不同。為了減少模型的“幻覺”，上下文增多和推理CoT（思維鏈）的不斷加強都是重要方案。
姚光華還指出，目前對話式AI引擎已經可以應用于陪伴式智能硬件以及教育場景等多個領域。聲網創始人兼CEO趙斌表示，生成式AI為我們帶來了變革性機遇，特別是在實現人與AI模型之間的實時語音交互方面。許多大型語言模型尚未提供語音交互功能，而提供語音交互功能的模型也沒有優化體驗。為了彌補這一差距，公司推出了對話式AI引擎解決方案，旨在提供自然的對話動態，包括智能停頓和打斷處理、高級語音處理功能以及超低延遲。
