36亿上海厂商赶工，DeepSeek开口说话

来源：@21世纪商业评论微博

记者｜何己派

编辑｜鄢子为

一家上海公司，帮助DeepSeek像真人一样开口说话。

3月上旬，声网发布对话式AI引擎，只要两行代码，15分钟，可令任意文本大模型“能说会道”。

这是个“新物种”。

按团队所说，它拥有多项独家功能，放眼全球，难找出对标的。对话1分钟，成本不到1毛钱。

“之前，大模型都是文字输入，将来，我们要让大模型懂你。”声网产品线负责人和利鹏说。

为了这次的新产品，声网AI RTE产品线负责人姚光华向《21CBR》记者透露，从春节开始，公司疯狂赶工，像高考一样备战，2月18日掏出Public Beta版本，这次的发布，已达到可商用状态。

截至3月7日美股收盘，声网市值为36亿元人民币。

黑屋作战

DeepSeek爆火时，声网的产品团队，悄然启动一场关键战役。

春节期间，声网内部调度不同部门的十几位核心骨干，组建一个专门团队，只干一件事：做一款能跟AI实时互动的工具产品。

早在半年前，这个想法就开始酝酿，顺应DeepSeek掀起的这波浪潮，项目陡然提速。

“大家关在‘小黑屋’里，产品、研发等不同条线的负责人凑在一起，快速决策、快速推进。”姚光华形容，像是高考备战，室内放着一块白板，每天更新着倒计时日期，提醒所有人，必须一鼓作气。

大模型从单一模态走向多模态，势不可挡，语音被视为关键切入点之一。

做实时互动云服务起家的声网，在音视频领域有较深积累，期望将自家RTE技术与生成式AI结合，以新产品抢占制高点。

紧赶慢赶，除夕那天，对话式AI引擎上线Private Beta版本，首批开发者和客户来了，做的第一件事，算意料之中——让DeepSeek开口拜年。

对声网而言，这款产品的意义不一般。

和利鹏告诉《21CBR》，声网多年专注的，是人与人的交流，做对话式AI引擎，转向人与机器的交流，且要做到实时互动，交流模式变了，底层的技术要求也不一样了，“工程化落地上，存在很多挑战。”

姚光华提到，让AI语音秒回提问，模拟真人对话的节奏，随时打断AI，这些功能构想来自于客户需求的抽丝剥茧，实际落地则需要边走边试，查漏补缺。

“比如对话人声锁定这个功能，就是靠客户提出来的。”姚光华说，某种程度上，客户是最好的导师。

拆解引擎

“之所以叫‘对话式AI引擎’，就在于我们不做Agent，只想构建对话式工具。”姚光华向《21CBR》强调。

定产品名字时，团队一度考虑用“转换器”，寓意接入即可令AI听懂人说话，但最终拍板的是“引擎”。

这没有“转换器”听上去通俗，但更能亮明声网的态度：只提供能力，与大模型厂商合作而非竞争。

“大家都在说AI Infrastructure，我们认为，实时互动也是其中一部分。声网的角色，就是AI Infrastructure里的交互。”和利鹏透露，公司跟国内几家模型厂商都有合作。

他提到，大模型厂商自己从头做交互，设备、网络等各种要求很高。声网做实时互动十几年，方案和产品的成熟度高，更具优势。

能让大模型开口说话的“引擎”，拆解下来，有AI语音秒回、对话人声锁定、智能打断、全模型适配等多项能力，姚光华说，转化成产品语言就是四个字，“多快好省”。

其中，响应延迟方面，以毫秒为单位压缩，中位数能达到650ms。

姚光华指出，市面上一些产品，宣传能做到毫秒级，实际测量延迟很大。

对话体验方面，“选择性注意力锁定”功能可屏蔽95%环境人声、噪声干扰，精准识别对话人声，80%丢包率、断网3-5s等情况下，保持稳定流畅对话。

开发部署上，程序员只需两行代码、15分钟，填入与复制LLM与TTS相关的URL与Key后，就可实现快速部署。

至于外界关心的价格，声网团队有过激烈讨论、反复商量，最终决定，AI语音对话0.098元/分钟，自研的“智能打断”功能作为增值服务，定价0.042元/分钟。

此外，一次性增予所有开发者1000分钟免费额度。

姚光华表示，经过一段时间的打磨及实际使用场景调研，团队发现，用户与AI每产生1次对话，平均会有约3轮问答，计算下来平均对话时长约为21.1s，单次成本为3分钱。

若每月对话次数15次，那么月成本不到5毛钱，年成本只要5元。

“这是个足够便宜到大家用得起的价格。”姚光华说。

人机未来

对话式AI引擎，到底能做点啥？

和利鹏表示，开发者可部署的场景，包括智能助手、虚拟陪伴、口语陪练等，公司已落地十几种场景，比较多的是陪伴类，智能硬件的需求也不少。

比如，让能开口对话的DeepSeek陪伴孩子，应对他们天马行空的十万个为什么，同时交流像与父母对话那样自然。

“小孩子想要的是快速互动，不在于答案是否足够准确，而是先玩起来。”和利鹏说。

在他看来，实时互动从人与人的交互，走向人与机器的交互，对声网深耕的RTE赛道而言，是个很大的延展。

“或许下一个变革，是所有触摸式和键盘式的交互，都变成语音式。现在我们已经看到了一些苗头。”和利鹏向《21CBR》表示。

姚光华说，关于AI Agent，去年李飞飞博士团队写了七八十页的论文，团队每个成员都要读，大家最后总结的一句话，是“从感知到智能”。

其将Agent划分为两类，陪伴类Agent，主要为用户提供情绪价值，服务类的，则提供智能价值，二者合而为一，再多一层时间价值，让用户效率提升。

由此，对话式AI引擎所推动的对话式Agent，横跨模态感知和模态融合，是吸收以上三重价值的载体。

技术革新，转瞬间天翻地覆。

和利鹏援引OpenAI产品经理所说，“AI时代，只要想通60%，产品就应该发布”，认为产品的发布必须紧跟技术走，及时进入市场检验，再根据反馈不断迭代。

“现在这个版本，虽然不是任何场景都万能，但用户体验已经达标。未来我们会继续做好功能的横向拓展。”姚光华表示。

DeepSeek引爆赛道，声网团队专攻音频细分方向，至少可以喝到汤。

题图来源:视觉中国