「AI新世代」声网抛出“五级对话能力框架”，对话式AI距“深度沟通”还有多久

本报（chinatimes.net.cn）记者石飞月 北京报道

在去年推出对话式AI引擎后，声网在这条路上越走越远。近日举办的iRTE2026实时智能大会上，声网创始人兼CEO赵斌提出五级对话能力框架，勾勒对话式AI从基础应答走向深度理解与关系沟通的演进路径。在他看来，这是对话AGI的重要发展方向。

从业绩下滑到对话式AI引擎带来的新增长点，声网的转型成果正在兑现，2026年第二季度，其母公司Agora,Inc.连续七个季度实现GAAP盈利。但在业内人士看来，实时互动要从能够“正常对话”发展到“深度沟通”，可能还要几年时间。

五级对话能力框架

今年以来，各家厂商的大模型持续进化，智能体又迎风而起，市场对对话式AI的要求也被推高。

“随着AI从回答问题走向持续交流、理解上下文并执行任务，实时互动的对象正在从人与人扩展到人与Agent。实时互动技术的角色也随之延伸：它不仅要让信息传递更稳定、更流畅，还要为AI的感知、理解、表达与行动提供实时支撑。”赵斌说。

基于这一判断，赵斌提出“五级对话能力”框架，将对话能力划分为五个层次：L1是基于自身视角的表达，以自我表达和被动接续为主，实现“问一句、答一句”；L2是基于互动规律的表达，从被动回应走向主动表达，让对话更自然、连贯；L3是基于个体认知的沟通，理解个体的身份、意图与处境，实现因人而异的沟通；L4是基于群体认知的沟通，理解社会关系与角色差异，适应复杂的多人沟通场景；最后是L5，即基于深度关系的沟通，理解长期上下文与关系演变，形成更深层次的理解与思维默契，让沟通从理解当下走向理解一个人。

不过，大模型技术虽然为实时互动从能够“正常对话”到“深度沟通”实现关键跃迁提供了可能，但目前距离理想化水平还存在一定差距。深度科技研究院院长张孝荣对《华夏时报》记者表示，要实现最高程度的交互，可能还需要几年时间。

赵斌也坦言，当前对话式AI正在从早期被动接续的交互，向更主动、更自然的全双工对话发展，并开始尝试理解人的个性、处境、情绪与关系，面向未来，AI还需要突破复杂社会场景下的角色分工与沟通秩序，进一步理解个人长期积累的上下文。

对话能力的持续进化，也对底层技术提出了更高要求。过去一年，OpenAI等公司对WebRTC技术的深入采用，推动实时互动技术在对话式AI领域获得更广泛的关注和应用。

为支撑这些需求，赵斌介绍了面向实时智能交互的基础设施方向。声网的对话式AI引擎就以全双工交互为核心，连接模型、Agent运行框架与用户，支撑稳定、同步的实时对话体验。

如果把大模型比作“大脑”，声网的对话式AI引擎就是让这个大脑能够实时听、实时说、随时被打断的“神经系统”，它不产生认知，但负责把认知能力变成一场真实、流畅、可打断的对话。

声网的第二条曲线

提出“五级对话能力”框架，可以说是声网在对话式AI领域上的新升级。

声网成立于2014年，主业为实时音视频业务。疫情期间，由于线上教育、直播带货、在线会议、远程医疗、音视频娱乐等多个赛道的需求增长进一步加速了实时语音业务规模的爆发，声网一度获得巨大的流量。

但之后由于业务过于单一，再加上疫情之后带来流量的多个场景出现市场变化，声网开始陷入业绩下滑与亏损的困境。

与此同时，大模型技术的快速演进，催热了AI硬件创业潮：AI眼镜、机器人等产品品类不断升级，智能体入口成为争夺焦点。而在这场争夺中，对话式AI正是不可或缺的一环。

Rokid乐奇联合创始人兼生态负责人蔡国祥强调，对话体验是AI穿戴设备的核心竞争力，无论硬件和背后的AI能力多么强大，如果对话不够自然，用户体验就会受到直接影响。

这让声网看到了新的机会，该公司很快抓住这个市场节点进行布局：去年3月，声网发布了全球首个对话式AI引擎，这个对话式AI引擎可支持任意文本大模型快速升级为“能说会道”的对话式多模态大模型，之后，MiniMax、星野、智谱清言等都与声网在对话式AI业务方面达成合作；去年10月，声网又推出了对话式AI引擎2.0。

在此基础上，声网的业绩实现扭转。今年8月，声网母公司Agora,Inc.公布2026年第二季度财报，显示总营收为4042万美元，同比增长18%；在美国通用会计准则（GAAP）下，第二季度净利润为220万美元，这是该公司连续第七个季度实现GAAP盈利。

赵斌称，该季度声网实时互动与对话式AI两大业务板块均保持强劲增长势头，推动公司营收增速进一步提升，未来将继续加大对实时互动基础设施的投入，并深化开发者生态建设。

但也有观点认为，声网的连续盈利带有“收缩型”特征，即通过削减费用提高利润。那么，在声网当前的盈利改善中，有多少来自收入结构优化与AI新品贡献，多少来自成本削减呢？《华夏时报》记者就此采访了声网方面，截至发稿未收到回复。

总体而言，“对话式AI正处于高速成长期，核心驱动力来自大模型多模态化与实时交互需求的融合，声网等技术提供商通过高精度语音识别、低延迟通信与情感计算能力，填补了大模型从‘文本智能’到‘语音交互’的关键环节，未来将在智能座舱、虚拟人、沉浸式娱乐等领域形成规模化落地。”张孝荣说。

责任编辑：黄兴利 主编：寒丰