中國網(wǎng)絡(luò)視聽大會丨RTE+AI 聲網(wǎng)雙引擎驅(qū)動視聽全域商業(yè)增長

在近日舉辦的第十三屆中國網(wǎng)絡(luò)視聽大會上，聲網(wǎng)AI產(chǎn)品線負責(zé)人姚光華帶來了題為《RTE+AI 雙引擎驅(qū)動視聽全域商業(yè)增長》的精彩分享。本文在不改變其原意的基礎(chǔ)上，對部分內(nèi)容作了提煉，旨在給行業(yè)相關(guān)從業(yè)者帶來啟發(fā)。

以下為姚光華演講實錄：

去年此時聲網(wǎng)剛剛發(fā)布對話式 AI 引擎，但還停留在產(chǎn)品概念與技術(shù)實現(xiàn)。然而經(jīng)過一年的不懈努力，聲網(wǎng)已經(jīng)落地了大量客戶，催生出眾多音頻消費的創(chuàng)新場景�，F(xiàn)場播放的典型客戶案例——珞博智能使用聲網(wǎng)對話式 AI 引擎打造的 AI 陪伴玩具芙崽Fuzozo，其數(shù)字靈魂完全來自聲網(wǎng)的產(chǎn)品能力，生動展示了技術(shù)商業(yè)化的成果。

過去10年，聲網(wǎng)主要聚焦人與人之間的實時互動；自2024年起，開始深耕人機交互（人與智能體的交互），并展望未來智能體之間的交互也將發(fā)生在實時互聯(lián)網(wǎng)之中。聲網(wǎng)的新名片清晰有力：RTE 解決連接，AI 解決理解，兩者合力解決增長。

大模型誕生后，AI“能不能說話”的問題基本被解決，但智能體“像不像人”仍未攻克。人與人交互的自然延遲必須低于200毫秒，低延時、自然打斷及環(huán)境感知能力，正是大模型無法獨立解決的底層技術(shù)。而這恰恰是聲網(wǎng)深耕十年的領(lǐng)域。

2024年8月，聲網(wǎng)用三頁PPT闡述了實時傳輸協(xié)議對比、對話式智能體的優(yōu)雅搭建方式、開源與商業(yè)RTC的優(yōu)劣。團隊經(jīng)過兩個月狂奔，在國慶小長假第一天，聲網(wǎng)美國兄弟公司Agora 與 OpenAI 面向全球正式發(fā)布首個 Realtime API 。自此，全球開發(fā)者和企業(yè)都能將對話智能體、音頻智能體快速集成到自身應(yīng)用中。

2025年3月，聲網(wǎng)發(fā)布第一代對話式 AI 引擎1.0，同年10月迭代至2.0，涵蓋模型評測平臺及 AI Studio 等一系列產(chǎn)品。今年3月10日，在貝爾接通歷史上第一通電話150周年之際，聲網(wǎng)在美國的兄弟公司 Agora 發(fā)布了電話客服智能體解決方案。

聲網(wǎng)對話式 AI 引擎早期落地的成功案例包括智能眼鏡、AI玩具，以及智譜清言、商湯商量、星野等客戶。今年，音頻消費從電視、手機、平板拓展至所有帶麥克風(fēng)和揚聲器的設(shè)備——桌面機器人、具身智能機器人、對話式 AI 眼鏡、口袋小玩意兒，都成為承載音頻消費的新載體。

我給大家分享一個世界級案例：一位擁有6億多粉絲的頂流在美國春晚（超級碗）期間做直播活動，抽跑車和現(xiàn)金，同時在線人數(shù)達58萬。聲網(wǎng)兄弟公司 Agora啟用高清能力支撐了這場世界級直播，并實現(xiàn)主播與觀眾實時互動。

我也觀察到，視聽產(chǎn)業(yè)正在經(jīng)歷第三次交互變革，從產(chǎn)品經(jīng)理視角來看，交互迭代路徑已從“開發(fā)者用代碼調(diào)用 API ”到“產(chǎn)品經(jīng)理用界面交互”，再到“大眾用文本交互”，如今語音已成為主流交互方式——只要會說話、聽得見，就能與語音智能體交互。未來加上數(shù)字人技術(shù)，可實現(xiàn)面對面交互。

從歷史演進看：最早是單向播放，觀眾只是觀眾；后來直播連麥興起，觀眾成為參與者；未來，越來越多AI Agent將參與其中，觀眾將變成對話者。從專業(yè)機構(gòu)到UGC、PUC，創(chuàng)作智能體日益增多，AI原生交互時代必將到來。

本次大會的主題是“全球化，向世界講好中國故事”，越來越多全球視聽體驗的技術(shù)標(biāo)準(zhǔn)和產(chǎn)品標(biāo)準(zhǔn)正由中國企業(yè)書寫。聲網(wǎng)愿與在座各位共同努力，把中國的實時交互能力和AI能力帶到世界每一塊屏幕之上，讓世界聽見中國聲音，看見中國創(chuàng)新。