OpenAI引爆新賽道：AI不再賣技術，而是賣「活人感」！

新智元報道

編輯：KingHZ 犀牛

【新智元導讀】一段令人心碎的離別視頻走紅：小女孩與AI玩具的深情告別，揭示了對話式AI如何悄然融入人類情感世界，預示著實時交互技術的革命性突破。

一段視頻走紅了，只聽聲音就讓人肝腸寸斷：

如果只聽聲音，還以為只是普通的離別。但這是一個只會發生在AI時代的場景：

小女孩依依不舍的「姐姐」，其實是具有語音功能的AI玩具。

人生中第一次「告別」的痛楚，居然來自AI語音模塊！

不過，如今很多AI的交互還停留在「短信」時代：在輸入框中，輸入問題，AI輸出文字。

但人類溝通中，重要的從來不止是語言內容——

在《Silent Messages》「沉默的信息」中，心理學家Albert Mehrabian提出了「梅拉賓法則」：語言內容占溝通中7%的信息，聲音占38%，表情等身體語言占55%。

但正如移動互聯網時代，iPhone不僅僅依賴其通信的性能，還需要觸控屏、傳感器等交互技術的突破，AI交互可能是下一個萬億產業。

從技術趨勢來看，多模態是大勢所趨。與之同時，多模態大模型必然從「生成」演進到「交互」。

下一個關鍵演進方向，就是實時交互能力的普及。

多模態LLM，讓計算機出現了類人的實時語音對話能力。實時互動，早已不再局限在人與人之間。隨著技術發展，一個新AI物種誕生了——

具有「活人感」的對話式AI爆發了。

今年，不止是智能體元年，也將會成為對話式AI的元年。

次次踩中熱點的大會

10月31日，聲網與RTE開發者社區聯合主辦了Convo AI&RTE 2025——第十一屆實時互聯網大會。

今年的大會依舊十分火爆，現場座無虛席，很多朋友只能站著聽。

左右滑動查看

RTE2025大會覆蓋實時互聯網以及對話式AI全生態，推出相關論壇及周邊活動共計20余場，包括技術開發、趨勢洞見、行業觀察、創業投資等多維度話題。

2015年，聲網把面向實時音視頻的RTC開發者大會帶到中國。從那時算起，這場年度盛會已連續舉辦十余屆，期間從未間斷過。

大會起初專注于WebRTC/RTC底層技術交流。

到2020年，由「RTC大會」升級為「RTE實時互聯網大會」，議題從通信技術擴展為「實時互動」的廣闊場景，逐步成長為全球規模最大的實時互聯網盛會，累計覆蓋200+行業場景、影響200萬+開發者，分論壇擴展至20+。

2024年第十屆以「AI愛」為主題，系統呈現RTE+AI能力圖譜與實踐脈絡，并延續了20+論壇的體量。

今年，大會進一步升級為「Convo AI & RTE 2025」（實時互聯網大會暨對話式AI論壇）。

從名字的變遷可以看出，聲網在不丟失原有RTE技術與行業內容的基礎上，把「對話式AI」置于了舞臺中央，面向更高遠的人機對話范式與產業落地。

現在，聲網年服務分鐘數首次突破1萬億，RTE的基礎設施屬性被進一步夯實，也印證了「RTE × 對話式AI」將成為下一階段的主旋律與趨勢。

最絕的是，RTE大會每年好像都能精準「押中」接下來的熱點，成為整個實時音視頻行業的風向標。

比如，2015年第一屆大會上，聲網說直播連麥會成主流玩法，結果第二年這就火了，成為直播界的風口。

2016年，他們覺得在線教育會是大趨勢，果然第二年在線教育就爆炸式增長。

到了2023年，大會主題是智能、高清，又一次神準地預測了未來——2024年初，多模態技術大爆發，Sora和GPT-4o這些新東西刷爆了輿論，多模態成了各大AI模型玩家的重點發力方向。

在這次大會上，聲網CEO趙斌分享了行業趨勢：

對話式AI將成為下一代AIInfra重要部分。

AI新物種

對話式AI

在大會上，聲網CEO趙斌對當前行業做出重大趨勢判斷：

對話式 AI 正處于從「正常對話」 到 「聲情并茂」的關鍵一躍， 相關行業即將爆發。

在過去一年，開發者和市場對于「對話式AI」的熱情高漲。

聲網的RTE等相關服務年度分鐘數，首次突破1萬億分鐘。

今年第三季度，聲網的對話式AI用量環比增長了151%！

ElevenLabs黑客松，在比較短的時間內孵化了300多個各種創業項目和場景。

開源的對話式語音智能體TEN Framework和TEN Agent，多次登頂GitHub排行榜，在對話式AI行業社區引起了很多關注。

對話式AI，已經引起了企業的巨大關注，在很多行業展現了巨大的潛力和前景，在這一領域，下圖就是企業開始進行探索和嘗試的比例。

對話式AI&Voice Agent創業公司爆發式增長，產業生態繁榮發展，行業煥發新春：

全球科技巨頭普遍在布局相關領域，努力把對話式AI的體驗帶給所有消費者和開發者，比比皆是。

就像GenAI早期的內容生產創造新的市場一樣，對話式AI未來潛力巨大，同樣創造新的市場。

來自于LLM天然的對話智能，市場潛力不可估量。

未來三大賽道

千億美元全球市場

隨著AI加入實時互動，實時互動的躍遷之路正在開啟。

對話式AI的機會在哪里？

在大會上，展示了業界各種各樣的探索，其中在RTE基礎設施上的Convo AI場景正在紛至沓來。

而在眾多應用場景中，情感陪伴、智能硬件、在線教育將率先實現對話式AI規模化落地。

未來幾十年，聲網篤定判斷，AI陪伴賽道會有非常持續和長足的發展。

一些分析師和投資機構的判斷，甚至還要樂觀很多。

比如，方舟投資（ARK Invest）的報告顯示，AI陪伴賽道有機會暴漲5000倍，從3000萬美元上漲到700-1500億美元。

此外，大家可以觀察到這一領域的應用量和活躍度的增加。

新應用如果不做深度優化和體驗保障，存活率也很有挑戰。

最近兩年，AI硬件也開始逐漸出現在市場上。

品類也出現了更多元化的發展，但熱度最高的仍然是養成和陪伴的AI硬件。

聲網推出了針對硬件開發的板塊和模組，就是對話式AI的開發套件。

如今，對話式AI已經能夠提供豐富的能力。

除了一般的對話以外，音樂、唱歌等等形式也已經成為一種可能，從而為AI陪伴和養成場景提供更好的真實體驗。

在游戲領域，對話式AI已經有了很多探索和創新。

對話式AI將會給所有的游戲探索增添更多的趣味。無論是NPC對話能力，還是場景交互體驗，對話式AI都能提供全新的場景和更好的體驗。甚至一些從業者，已經從底層思考如何重構游戲的體驗和場景。

游戲和社交的邊界也會變得越來越模糊。

過去的一年，許多垂類的專用AI助理也取得突破性的進展。比如，螞蟻AQ，短時間內就有大量的下載規模，專用助理方向未來還有巨大的空間。

生成式AI特別是對話式AI，目前正在滲入教育領域的各個方面，創造更加豐富的擬人化教學場景。

除了最簡單、最直接的口語培訓以外，AI數字人也開始為每個學生提供廉價、普及的擬人化教學場景。

AI教學硬件，也在推陳出新，不斷有些新的嘗試和探索。

在大會現場，趙斌演示了AI客服的功能。

在實時交互與場景理解方面，當前對話式AI已經取得了突破性進展。

在成本和效率上，AI客服終于活出了人樣：單次服務成本降低至0.3元；平均處理時間降低了15%-25%。

此外，高擬人度實時翻譯已在特定場景實用化；對話式AI+車載智能助理，駕駛體驗更安全更快樂；對話式AI還可以輔助生活，拓展殘障人士生活和工作的邊界。

未來已來，AI實時交互孕育巨大的機會。

OpenAI引爆新賽道

聲網已深耕多年

要把RTE大會辦成對話式AI行業的風向標，靠的絕不是僅僅改個會名，而是聲網在對話式AI領域的長期深耕。

轉折點出現在去年5月，當時OpenAI把GPT-4o ——語音-視覺-文本實時多模態——推到臺前，實時、自然的人機對話成為了行業的新共識。

隨之在2024年10月份，OpenAI面向開發者推出Realtime API公測，聲網的兄弟公司Agora與Twilio、LiveKit一起成為首批三家官方集成伙伴，率先把低時延語音對話能力帶到了實際應用里，也為聲網后續產品化鋪好「底座」。

在國內生態，聲網同步推進本土化的「Realtime路線」。

有了聲網的底座加持，MiniMax的語音對話成了一個亮點：開口就回、幾乎「秒響應」。就算在信號不穩或環境嘈雜的場景里，也能和AI助手說得清、聽得準、連得穩。

依托MiniMax新一代語音大模型，AI說話更像真人——音色逼真、語氣自然，中英夾雜等多語種切換也不打結。你還可以一鍵調語速、隨心換聲音，操作簡單、效果到位。

另一個大家熟悉的案例是智譜的AI智能助手。

去年8月，智譜率先把視頻通話帶進國內AI助手，得益于他們強大的音視頻理解與情感語音模型，這個AI助手不只會聽你說，還能「看懂」你所處的環境。

在接入聲網的對話式AI技術后，智譜的AI助手通話時延更低、對話更順滑，幾乎像和真人聊天一樣自然。

上線三個月，就已吸引100萬用戶使用，十分火爆。

對話式AI引擎

在對話式 AI 迎來爆發之際，行業仍然面臨著一些挑戰，例如行業數據顯示，僅21%的用戶對現有AI對話體驗滿意，部分服務的用戶流失率高到「不可接受」。

要實現真正的「類人對話」，企業必須系統性攻克多項復雜問題：

低延遲響應、自然打斷、上下文管理、情感理解與表達等。

圍繞這些技術難點與熱門場景，聲網一直在持續優化他們的對話式AI服務。

在RTE2025的RTE&對話式AI產品分論壇上，聲網也相繼發布了最新版的對話式AI引擎2.0版，對話式AI開發套件、對話式AI Studio、對話式AI模型評測平臺。

對話式AI引擎2.0新增了預注冊聲紋識別、情緒識別，不僅讓AI知道是誰在說話，更懂得開口時機，顯著優化誤打斷體驗。同時還支持國內外更豐富的ASR、TTS供應商選擇，實現更多語種與音色的選擇。

同時，針對熱門的AI硬件場景，為了進一步降低落地門檻，聲網在大會發布了新版的對話式AI開發套件——R1-4G，該套件基于紫光展銳8910高性能AI芯片，融合4G通信與CPU，讓AI硬件隨身攜帶，實現隨時音視頻交互。

相比今年3月發布的R1版，R1-4G采用單芯片一體化，幫助開發者快速集成，實現硬件「開口說話」。其核心價值在于擺脫場景限制，借鑒聲網在兒童手表超60%市場經驗，優化音視頻通話與4G適配，擁有極致對話體驗（延遲650ms，打斷340ms，聲紋鎖定）。

對話式AI模型評測平臺3.0則是在提供橫向評測ASR、LLM、TTS各類主流模型的延遲響應、詞錯誤率、字母數字性能的基礎上，

新增了價格預估計算器，開發者可以根據實際的業務需求，預設人和AI的談話比例，價格預估計算器會在此基礎上給出總價與各模塊的單價，讓你更好地了解到錢都花在了哪里。

左右滑動查看

走向「超級助手」

在今年的RTE大會上發布的《對話式AI發展白皮書》，把技術、產品、生態與場景系統梳理了一遍，也講清楚了行業的共識——

下一代人機交互不再只是「看屏幕、敲鍵盤」，而是「會聽、會看、會說」的實時多模態。

白皮書獲取方式，見評論區置頂留言。

RTE正從「可選項」變成「基礎設施」，音視頻對話正在成為一切智能應用的標配。

在終端側，耳機、手機、家居設備不斷下放聽見、理解、合成的硬件加速能力，讓「開口—回應—執行」的鏈路真正可用、好用。

配套超級AI助理的硬件會不會有什么完全創新的形態？

會不會出現適應AI的新型計算終端，就像智能手機取代PC成為主流設備一樣？

聲網更加傾向全新交互形態下的硬件形態，可能不太會很快出現。

雖然AI硬件進行個人助理創新并不容易，但預期對話式AI和相關能力引入硬件形態，將會帶來接下來兩年的爆發式增長。

全新的使用習慣正在逐步開始養成，這些都是AI硬件爆發的積極因素。

可以看到AI眼鏡引入對話式AI作為操控的主要交互模式以后，提供了很多新場景下的使用便利和使用價值。

具身智能也非常獨特，并不需要經過互聯網的傳輸，可以讓AI從終端以離線的方式與人面對面互動和對話。

但這樣的對話需要更多的語言處理，仍然依賴于實時互動的降噪回聲、增益控制這些基礎技術能力。

實時交互的門檻被持續拉低，開發者可以把更多精力放在體驗設計與業務閉環上。

歷史每一次技術躍遷，都是基礎設施與應用范式的共振時刻。

今天，RTE成為AI對話的底座，聲網站在實時交互的心臟位置；當機器真正「會聽、會看、會說」，

下一個萬億級市場，或許正在一聲「你好」中悄然開啟。

當AI模型廠商、實時互動廠商與應用開發者各司其職、同頻共振，對話式AI的產業閉環已初現雛形。

歷史證明，真正的巨浪，總由分工成熟的生態共同掀起——

而這一次，浪潮的名字叫「對話式AI」。