教AI听懂人话，声网在AI淘金热中“卖铲子”

文| 趣解商业，作者 | 张语格，编辑 | 趣解商业·AI力场

语音对话，是用户与AI交互最常见的方式之一，大模型的语音对话能力已成为AI应用和硬件的关键能力。Deepgram 和 Opus Research 的调研显示，2025年，67% 的企业已将对话式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。

此外，“趣解商业”注意到，AI语音赛道正在密集地获得融资，OpenAI、Google等科技巨头也在密集发布自己的语音模型或语音产品。

在这个日渐火热的赛道里，一些为 AI 产品提供底层语音交互技术的平台型公司，正在AI产业中扮演越来越重要的角色。

AI对话的“硬伤”

在生成式 AI 的浪潮下，基于实时互动技术的对话式 AI 正加速在各行各业落地实践。

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，当前已在情感陪伴、智能硬件、在线教育等场景中实现规模化落地，陪伴类玩具、智能眼镜、AI耳机等产品纷纷成为消费者争抢的对象。

然而，伴随消费热潮而来的还有居高不下的退货率。此前有媒体报道，AI毛绒玩具电商退货率高达30%-40%，有些品牌的AI眼镜退货率甚至在40%-50%。

究其原因，仍然当前 AI 硬件普遍面临交互生硬、情感连接弱、同质化严重等问题。有不少消费者表示，AI对话的体验像是机器人一样毫无感情“念稿”，没有真实感且不流畅。有网友在社媒平台上发帖表示，买的陪伴机器人到手体验后感觉“好笨、会答错、交互比较呆”，就退货了。

图源：小红书截图

“IT桔子”发布的“AIGC产品降速榜”显示，今年9月聊天机器人、写作工具等通用类AI产品的增速集体下降。“趣解商业”注意到，很多情况下AI产品被吐槽都是源于未能准确理解用户的需求。

行业数据显示，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高到“不可接受”。

声智科技副总裁黄赟贺表示，真正的语音交互不止于语言交流，在语言之外，AI还要分析用户声音的频率、振幅、波形，提取出情绪特征、识别不同的声源、声源距离、甚至预测用户的意图，“语调、音色、节奏、情绪，以及背景音乐、环境噪音（风声、雨声、车声）、物体发出的声音（开门声、打字声）这些环境中的各种非语音信息，也都是AI理解用户的重要方式。”

但是，想要AI在复杂的环境中理解用户意图，并且通过端到端准确传递给用户，还要克服不少技术瓶颈。在近期举办的Convo AI&RTE 2025第十一届实时互联网大会上，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。

人类对话的延迟一般在400毫秒左右；有研究表明，当语音AI的响应延迟超过 500 毫秒时，用户体验会显著下降，导致对话中断或用户放弃使用。然而，传统的语音合成链路，从语音识别、大语言模型到语音合成，延迟能达到 2-3 秒，高延迟成了人机交互一大痛点。

AI产品的防干扰能力也很关键，如何识别哪些打断的指令来自用户，哪些是嘈杂的环境音，被用户打断补充后仍能流畅地给出回应，这既需要语音识别有声学基础，也要有足够的上下文记忆和理解能力。

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；如何解决这些挑战，则是对话式AI产品具备拟人感的关键。

AI浪潮中的“卖铲人”

声网联合 RTE 开发者社区发布的《2025 对话式 AI 应用场景热力榜单》显示，AI 语音助手、AI 社交与陪伴、AI 潮玩位列前三，充分说明对话式 AI 在个人助理与情感陪伴领域的强劲需求。而AI语音交互的需求，也带动了一批平台型语音技术公司迅速增长。

随着对话式 AI 技术的快速发展，VoiceAgent 是目前市场上极具代表性的产品形态；当前Voice Agent主要有两种主流架构方式——传统的级联模式和端到端模式。级联模式是将三个独立组件（语音识别、大模型推理、语音合成）串联起来的流水线，开发者可以自由选择不同公司的组件组装产品；端到端模式则是由模型内部处理，直接输出语音回复。

不同模式各有优劣，但无论哪种模式，都离不开稳定低延迟的实时传输技术作为底层支持。在此基础上，一批提供稳定传输网络的实时通信服务商开始迅速增长，例如即构科技、融云、科大讯飞、声网等。

图源：声网

有行业人士表示，相比大厂的泛用型云服务，这些垂类公司胜在音视频领域传输更稳定。例如声网，就是在全球搭建了自己的网络，全球任意两点之间都能保证传输效率，但大厂很难为单一的音频业务优化得这么细致。

作为“全球实时互动云第一股”，声网在过去多年持续攻坚“听到、听懂、理解”三大难题；据“趣解商业”了解，声网对话式 AI 相关用量在 2025 年第三季度实现 151% 的环比增长，展现出强劲的市场需求。

声网近期还推出了对话式 AI 引擎 2.0，对话式 AI 开发套件、对话式 AI 模型评测平台和对话式 AI Studio，加速对话式 AI 在实时互动行业的应用创新。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，标志着 RTE 技术已成为数字社会不可或缺的基础设施。

据“趣解商业”了解，声网对话式 AI 引擎落地案例丰富，例如为豆神 AI 的互动课提供实时语音交互支撑，实现 AI 教师与学生自然流畅对话；为赋之家庭陪伴机器人打造情感化语音交互，增强陪伴体验；为珞博智能的 AI 宠物 Fuzozo 优化 AI 交互的实时性和稳定性，带来个性化情感陪伴体验。此外，MiniMax Chat、星野的语音对话功能，智谱清言的视频通话功能、商汤商量的实时音视频交互，背后都有声网的技术支撑。

图源：微博截图

声网推出对话式AI引擎后，将其视作新的增长曲线；然而从声网母公司Agora, Inc.（ NASDAQ：API ）发布的财报来看，目前这项业务的收入对公司业绩增长的贡献尚不明显。

Agora, Inc.是Agora和声网两家独立企业的控股公司，它们的业务通过各自的子公司和可变利益实体进行管理。Agora, Inc.从今年一季度扭亏为盈，今年一季度和二季度分别收入3327万美元和3425.9万美元，同比增长0.8%和0.1%。

“趣解商业”注意到，今年上半年，面向中国市场的“声网中国”和面向海外市场的“Agora”业绩显露出不同的趋势，公司增长全部由面向海外市场的Agora贡献，而声网中国的收入则是连续两季度同比下降。

财报数据显示，Agora在2025年第二季度收入为1820万美元，同比增长16.7%，而声网中国收入为1.155亿元人民币（约合1610万美元），同比下降12.4%。Agora, Inc.在财报中解释，Agora的增长主要得益于业务拓展以及直播购物等领域使用量增长，具体来源于API调用增加还是对话式AI引擎产品的销售，无法确定；声网中国的收入减少则源于某些终端销售产品的停售，如果加上这部分则收入与去年同期基本持平。

“趣解商业”注意到，Agora, Inc.在电话会议中披露了声网中国的客户数量，截至3月末和6月末，其活跃客户数量分别为1994和1997，几乎没有增长。

另外值得注意的是，今年二季度，Agora, Inc.的研发费用为1400万美元，占总收入的40.9%，这对一家刚刚扭亏的公司而言仍是一笔不菲的支出；但相比去年同期的1810万美元研发费用，同比下降23.0%，主要原因是公司优化全球员工队伍，导致人员成本下降，其中包括股权激励费用从2024年第二季度的210万美元降至2025年第二季度的100万美元。

图源：声网财报截图

值得一提的是，今年Agora的核心高管也出现了人事变动。今年8月，Agora宣布公司董事、首席技术官和首席科学家钟声（Shawn）离职，其运营职责被移交给公司创始人、董事长兼首席执行官赵斌；现任公司声网（Agora）首席营收官、联合创始人Tony Wang和现任公司首席财务官的王静波已被任命为公司董事。

在AI浪潮中“卖铲子”是门好生意，但赚到钱的前提是“铲子”足够好用。为了拿出更多定制化、差异化的语音技术服务，声网这类垂直服务商需要持续的研发投入保持竞争优势。可以预见的是，随着多模态AI应用的普及，那些能够提供低延迟、高稳定性、自然交互体验的技术平台，将在下一轮竞争中占据更加有利的位置。