實(shí)時(shí)互動(dòng)技術(shù)領(lǐng)域的創(chuàng)新再次邁出重要一步，聲網(wǎng)在北京正式推出了其對(duì)話式AI引擎，這一消息在科技圈內(nèi)引起了廣泛關(guān)注。這款引擎的問(wèn)世，標(biāo)志著AI技術(shù)在對(duì)話交互領(lǐng)域邁入了新的發(fā)展階段。
據(jù)聲網(wǎng)介紹，這款對(duì)話式AI引擎具備多項(xiàng)領(lǐng)先技術(shù)特性。其超低的650毫秒響應(yīng)延時(shí)，確保了對(duì)話的流暢性；優(yōu)雅打斷功能則提升了用戶體驗(yàn)，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(yīng)用于各種場(chǎng)景；而“選擇性注意力鎖定”功能更是能屏蔽掉95%的環(huán)境人聲，確保對(duì)話的清晰度。尤為開(kāi)發(fā)者僅需兩行代碼以及15分鐘的時(shí)間，就能構(gòu)建出AI Agent，實(shí)現(xiàn)從對(duì)話式AI引擎Console到任意模型的語(yǔ)音交互，同時(shí)支持文本大模型向?qū)υ捠蕉嗄B(tài)大模型的升級(jí)。
在價(jià)格方面，聲網(wǎng)也給出了極具競(jìng)爭(zhēng)力的方案。據(jù)內(nèi)部測(cè)算，使用這款對(duì)話式AI引擎，每分鐘的成本僅為0.098元，也就是說(shuō)，不到1毛錢就能享受一分鐘的AI對(duì)話服務(wù)。考慮到用戶與AI每次對(duì)話平均會(huì)有約3輪問(wèn)答，平均對(duì)話時(shí)長(zhǎng)約為21.1秒，單次成本僅需3分錢。若每月對(duì)話次數(shù)達(dá)到15次，月成本也不到5毛錢，年成本更是低至5元。
聲網(wǎng)AI RTE產(chǎn)品線負(fù)責(zé)人姚光華透露，這款對(duì)話式AI引擎是全球首個(gè)同類產(chǎn)品。團(tuán)隊(duì)在春節(jié)期間就開(kāi)始研發(fā)，得益于DeepSeek熱潮的激勵(lì)，團(tuán)隊(duì)像準(zhǔn)備高考一樣，集合了最核心的產(chǎn)品線和研發(fā)線，快速推進(jìn)和決策。經(jīng)過(guò)努力，2月18日發(fā)布了Public Beta版本，如今終于正式面世。
在談及Manus AI Agent與對(duì)話式AI產(chǎn)品的區(qū)別時(shí)，姚光華表示，兩者并不屬于同一類別。對(duì)話式AI的交互方式具有顛覆性，主要通過(guò)對(duì)話產(chǎn)生情緒價(jià)值。如果發(fā)展得更好，它可能會(huì)超越工具范疇，成為類似于陪伴的存在。然而，目前我們對(duì)AI Agent的認(rèn)知還停留在“工具”層面，替換現(xiàn)有工具類型的價(jià)值并非終極目的。在研發(fā)對(duì)話式AI產(chǎn)品時(shí)，情感陪伴、音色和人數(shù)都有所增長(zhǎng)。但姚光華也強(qiáng)調(diào)，Manus目前仍被視為一個(gè)工具。
聲網(wǎng)致力于成為“人工智能語(yǔ)音代理的關(guān)鍵基礎(chǔ)設(shè)施”，其TEN服務(wù)已經(jīng)成功應(yīng)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(yè)和產(chǎn)品中。例如，去年10月24日，聲網(wǎng)就宣布了與MiniMax共同打磨國(guó)內(nèi)首個(gè)Realtime API。
財(cái)報(bào)顯示，聲網(wǎng)母公司Agora在2024年四季度實(shí)現(xiàn)總營(yíng)收3450萬(wàn)美元，同比下降4.4%；但在美國(guó)通用會(huì)計(jì)準(zhǔn)則下，凈利潤(rùn)扭虧為盈，達(dá)到16萬(wàn)美元。整個(gè)2024財(cái)年，集團(tuán)總營(yíng)收為1.333億美元，較上年同期下降5.9%。
姚光華認(rèn)為，對(duì)話式Agent給用戶帶來(lái)的價(jià)值不僅在于解決問(wèn)題的智能價(jià)值，還包括情感共鳴的情緒價(jià)值以及效率提升的時(shí)間價(jià)值。從感知到智能，Agent AI主要包含四層：模態(tài)感知層負(fù)責(zé)感知物理世界的信息，對(duì)音視頻進(jìn)行處理和轉(zhuǎn)換；模態(tài)融合層則對(duì)感知到的信息進(jìn)行統(tǒng)一多模態(tài)處理；任務(wù)處理層面向目標(biāo)和任務(wù)進(jìn)行處理和解決；頂層智能層則具備高級(jí)認(rèn)知與學(xué)習(xí)能力，擁有超高情商。聲網(wǎng)對(duì)話式AI引擎覆蓋了模態(tài)感知層和模態(tài)融合層。
針對(duì)大模型“幻覺(jué)”問(wèn)題，聲網(wǎng)產(chǎn)品負(fù)責(zé)人和利鵬表示，雖然“幻覺(jué)”不能完全消滅，但可以通過(guò)模型的不斷迭代來(lái)減少。在對(duì)話式AI引擎上，團(tuán)隊(duì)已經(jīng)做了很多降噪、聲音處理等工作。和利鵬指出，人和人交流時(shí)也會(huì)有誤解和“幻覺(jué)”，因?yàn)殡p方的知識(shí)和背景不同。為了減少模型的“幻覺(jué)”，上下文增多和推理CoT（思維鏈）的不斷加強(qiáng)都是重要方案。
姚光華還指出，目前對(duì)話式AI引擎已經(jīng)可以應(yīng)用于陪伴式智能硬件以及教育場(chǎng)景等多個(gè)領(lǐng)域。聲網(wǎng)創(chuàng)始人兼CEO趙斌表示，生成式AI為我們帶來(lái)了變革性機(jī)遇，特別是在實(shí)現(xiàn)人與AI模型之間的實(shí)時(shí)語(yǔ)音交互方面。許多大型語(yǔ)言模型尚未提供語(yǔ)音交互功能，而提供語(yǔ)音交互功能的模型也沒(méi)有優(yōu)化體驗(yàn)。為了彌補(bǔ)這一差距，公司推出了對(duì)話式AI引擎解決方案，旨在提供自然的對(duì)話動(dòng)態(tài)，包括智能停頓和打斷處理、高級(jí)語(yǔ)音處理功能以及超低延遲。
