对话式AI，等待下一次「万亿时刻」

当对话式AI具备人类智慧，《Her》从电影照进现实。

当郁闷的你与桌面上可爱的AI毛绒玩具“芙崽”倾诉心声时，你可能不会想到，人类与AI的自然对话，正激起一波隐秘的实时语音技术新浪潮，激发着巨大的商业蓝海。

10月31日，由声网与RTE开发者社区联合主办的Convo AI&RTE 2025第十一届实时互联网大会在北京正式开幕。在会上，声网创始人兼CEO赵斌就分享了这样一组数据——

2025年，67%的企业将对话式AI智能体置于战略核心位置，84%的企业计划在未来一年增加相关投入（数据来自Deepgram、Opus Research）。

相对应的是，声网对话式AI相关用量在2025年第三季度就实现151%的环比增长，展现出强劲的市场需求。

对话式AI整合了大语言模型（LLM）、自动语音识别（ASR）、文字转语音（TTS）、实时互动（RTE）等技术。

与AI对话，大部分人对此的印象是，AI大概率像是复读机一样毫无感情“念稿”，AI感十足。而对话式AI的出现，AI便能像人类一样自然、真实、流畅对话。

正如《Her》电影里的Samantha照进现实——男主角手上的小方块，不仅能准确识别语音、文本、图像，还能根据人类的语气、情绪、语言习惯，调整自己回复的语气。

而为帮助企业和开发者把握对话式AI这一历史机遇，声网在大会上正式发布了《2025对话式AI发展白皮书》。在这份白皮书里，声网团队经过行业调研，深入结合了其在RTE行业的经验，为对话式AI梳理了一份完整的图谱——包括技术演进、核心技术、主流方案和业态、质量评估体系、行业实践案例、以及未来趋势展望。

在理论之外，声网也用实际行动推动对话式AI的发展。此次发布会，声网还发布了一系列对话式AI产品，包括下一代对话式AI引擎、配套的对话式AI开发套件、模型的评测平台和编排平台等。

一场对话式AI的浪潮，正在掀起。

对话式AI走进现实

回想一下：你一般是什么情况下会调用苹果手机里的Siri，与之对话？

大部分人的回答或许是，大概率是睡前定闹钟的时候。有这么一组符合直觉的数据：行业数据显示，目前仅21%的用户对现有AI对话体验满意，部分服务的用户流失率甚至高到“不可接受”。

其实，人类不是不愿意与AI说话，只怪AI太不懂人类。本质上，人类的对话中，仅有7%的信息来自语言内容，超过90%的信息感知来自语调、表情、肢体语言等非语言要素。

而要让AI进行“类人对话”，企业接下来要攻克的技术挑战还有很多。

比如，目前大部分对话式AI的端到端延迟普遍在3秒以上——人类之间聊天的延迟正常一般在400毫秒左右。正是这短暂的3秒，构成了人机交互一大痛点。在商业的世界里，仅几秒的等待，就会让用户失去耐心。因此，与时间赛跑，攻克响应延迟，正是对话式AI接近人类对话体验的一大壁垒。

除了延迟难关之外，对话式AI的另一个技术挑战是，AI如何具备人类智慧的“内核”。

一些人机交互场景能令很多人感同身受：对话时，AI可能会因为用户清嗓声、键盘声、或者人类的片刻迟疑而被打断，上下文中断。或者，当你置身于嘈杂的派对、展会时，AI经常无法锚定真正用户的声音，而失去注意力。

前述种种体验，看似细微，却是人和AI之间能否建立信任、构建情感依赖的关键。对于用户来说，期待的不仅仅是一个能提供正确回答的机器，还是一个有“人味”的AI。

为此，声网创始人兼CEO赵斌对话式AI的技术挑战概括为几点：低延迟响应、自然打断、上下文管理、情感理解与表达等。

而为了解决这些技术难点，目前行业里的主流技术方案是级联模式。简言之，级联模式就像是一条分工明确的“流水线”，在这条流水线上，语音对话被拆解为三个独立步骤串行工作（语音转文字ASR—大模型理解文字LLM—文字转语音TTS）。

相比于其他模式，级联模式更加模块化，开发者可以像搭积木一样，灵活选用三个环节自认为更优秀的供应商，以此优化成本、提升效果。为此，级联模式成为行业中大多数的AI客服、智能音箱等应用的技术方案选择。

以声网为例，他们正是围绕级联模式，构建了覆盖不同客户群的三类产品形态。对于希望快速上线的应用开发者，声网推出了对话式AI引擎2.0。作为开箱即用的一站式解决方案，声网试图击破前述种种对话式AI的痛点。

具体而言，引擎2.0依托于全球实时网络，能够实现端到端高速响应，实现超低延迟。另外，还内置了智能打断、声纹识别等先进功能，使得对话能够实现智能交互。此外，引擎2.0还是开发者友好型设计，支持多种主流大模型，不同的模块功能也可以按需选用，能快速集成到不同的应用场景中。

当然，对于希望灵活选型和深度定制的公司，声网还提供了模块化的SDK，比如语音识别/语音识别SDK，让开发者自由“搭积木”。而对于已经使用声网实时音视频服务的客户，若希望在不改变架构的前提下叠加AI能力，声网还提供了一众扩展套件，可以“插件式”增加一系列对话式AI功能。

通过引擎、SDK、拓展套件这三类产品形态，声网覆盖了从“小白”到“专家”的不同客户群体，确保所有客户都能在其生态内找到最适合自己的方式，让对话式AI走向现实。

给对话式AI一把“尺”

不管是与人类还是AI交流，对话始终是一件很主观的事情。但如果要让对话式AI更长远发展，行业缺乏一套全面完整且客观的评估框架，就像是给对话式AI划定了行驶的航道。

尽管行业里已经提出了部分评估方法，比如任务完成率、词汇错误率等等，这些都是单点技术指标评估，维度未免过于碎片化、存在局限性。但现实是，对话式AI的语音、对话等要素过于复杂，原有的评估手段难免与实际体验存在巨大鸿沟。

为此，在声网发布的《2025对话式AI发展白皮书》中，便提出了“三维二轨”的评估框架——“三维”，考核的是AI本身的能力，比如理解能力、表达能力、交互能力；“二轨”，则是考核AI的两种方法，包括基准测试和用户导向测试。

看起来略显抽象，但请代入这个评估框架，设想一下你正在面试一位AI助理。此时，你对其抛出了一个指令——“帮我预定一个适合商务宴请的意大利餐厅”。

理解能力更强的AI助理，便能够抓取提炼并且理解你指令里的关键词汇，比如“今晚”、“商务宴请”、“意大利餐厅”。而理解力弱的助理，可能只抓住了“餐厅”这个关键词，反手推荐了隔壁的麦当劳餐厅。

紧接着，表达能力强的AI助理，会根据你指令里传递的情绪，用自然且愉悦的语调为你介绍合适的餐厅有什么特色。而表达能力一般的助理，则只会用僵硬的播音腔，把一长串地址念出来，像是一台无情的复读机。

在AI助理介绍餐厅时，你突发奇想打断了它，询问“餐厅附近是否有停车场？”

此时，交互能力差的AI助理可能直接忽略了你的提问，坚持把餐厅介绍完再停下。而交互能力强的助理，对话节奏感和打断处理能力拉满，它可能会马上停下并且帮你查询信息，最后再补充一句，“还需要继续帮你查询菜品吗？”。

值得注意的是，这套评估框架不仅仅用基准测试保证对话式AI基本功过硬，在硬性技术指标评价之外，还将用户导向测试也融入实战测试，让对话式AI也能得到用户侧的主观评价。

如果说“三维二轨”给了对话式AI一把“尺子”，定义了什么是好的对话式AI框架和原则，声网并不止步于此，他们还基于这套框架，为广大开发者提供了一系列好用的实践工具。

声网的AI模型评测平台，正是通过精准定位对话式AI场景的核心痛点，创造了一个关键的“决策支持系统”。据介绍，该平台通过模拟真实对话的交互测试，在全球十大城市节点动态监测并更新数据，直观对比主流ASR、LLM和TTS模型的实时性能。

举个例子，当一个开发者想基于声网的对话式AI引擎做一个“AI社交陪伴”应用时，他就可以直接在声网的评测平台上，针对“社交陪伴”场景非常在意AI的响应延迟，横向评测不同的ASR、LLM、TTS模型在响应延迟方面的性能表现，最终选择更匹配自身业务的模型组合。

当对话式AI逐渐走出概念，在技术路线、产品方案、评估标准、工具等方面快速完善，也注定了其将在更多领域快速生根落地。

对话式AI落地，润物细无声

目前，对话式AI已经在智能硬件、情感陪伴、在线教育三大场景中率先实现规模化落地。

2025年被视为AI硬件的爆发元年，从以“芙崽”为代表的AI陪伴硬件引爆行业，以Ray-ban meta为代表的AI眼镜也掀起“百镜大战”。而热闹的AI硬件中，对话式AI扮演了举足轻重的作用——赋予了冷冰冰的硬件类人的灵魂和智慧。

在情感陪伴领域，以星野、Charecter.AI为代表的AI社交应用里，对话式AI则使得AI对话从机械应答，进化成为具有记忆力、有个性、能共情的社交引擎。对话式AI让AI真正陪伴在人类身边。

在教育领域，对话式AI则正在掀起一场教学革命。比如，对话式AI让口语陪练更拟人，营造更有沉浸感的语言学习环境；对话式AI所衍生的AI双师（豆神AI），也促进了教育资源的平等。

种种迹象可见，对话式AI的生态正在持续飞快构建中。不过，你可能会好奇，未来的对话式AI，还蕴含着什么样的想象力。而声网在其白皮书中，也描绘了未来的图景。

首先，对话式AI未来将会在多模态交互上实现质的飞跃，实现边听边说、能看懂用户表情语言、手势语言等等功能，人机交互无限接近于人人交互——正如声网发布会上，创始人兼CEO赵斌所展示的“AI客服”时，台下观众很难分辨对话的是机器还是人类一般。

其次，未来的对话式AI或许不仅仅只是一个单点、被动响应的工具，而是一个多智能体协同的“超级助手”。

在商业的维度，未来的对话式AI也可能隐藏着更多的商业价值。或许，它的存在形式会更加隐秘多元，可能会融入业务流程，或者是成为组织里面的数字员工，也可能成为全新的信息入口和服务枢纽。

你也可以大开脑洞，对话式AI未来或将化身为“数字生命体”——在成长阶段，它是人类启蒙的守护者。在工作阶段，它又化身工作生活的全能协助者。随着人类数据的积累，它将进化得更懂你。

结语

最早诞生于60年代的对话式AI，是在大模型时代、具备了类人能力后，才真正进入飞跃时刻。这一看似简单的技术，长远却有着深远意义。

首先，对话式AI彻底改变了人类与机器沟通的底层逻辑，使得过去以图形界面（GUI）为主的人机交互，进化到更符合人类本能的交流方式。这种转变，将大大降低AI技术的使用门槛，进而实现AI的平权和技术普惠，

其次，对话式AI还将帮助人类从繁琐复杂的任务中解放出来，让人类得以更专注于有创造性、有战略性的工作。当中因此潜藏无限的商业可能，可能产生更多全新商业模式和业态，不仅限于当下火热的陪伴类AI原生APP、AI陪伴硬件等等。

总而言之，对话式AI不仅代表技术高地，本质上更是改变了交互方式、生产关系、带动经济增长。

在声网此次的发布会上，声网创始人兼CEO赵斌表示，截至目前，声网年度服务分钟数首次突破1万亿分钟。这是一个里程碑，标志着RTE技术（实时互动，Real-Time Engagement）已成为行业里不可或缺的“水电煤”。

当一众技术子集羽翼渐丰，对话式AI已经万事俱备。它正在等待自己的“万亿时刻”。