第十二届中国网络视听大会 · 分论坛主题演讲

对话式 AI 驱动音频体验革新

音频，是这一代人机交互的入口

Conversational AI · Next-Generation Audio Experience

Venue第十二届中国网络视听大会

Date2025.03.28

Speaker姚光华 Colin · 声网 AI RTE 产品线负责人

Deck4 幕 · 24 页

提要 · OVERVIEW02

这场在讲什么

四段话，把音频体验这条线讲完

对视听行业来说，最值得关注的不是模型变强了。是音频这条通道，第一次从「传输介质」变成了「交互本身」。

PART 1

DEFINE

对话式 AI 是什么

三个词经常被混着说：生成式 AI、实时互动、AI 音频。它们不是并列关系，是三个不同的位置。

01 对话式 AI 是什么 02 里程碑与落地 03 引擎怎么做到 04 音频体验革新

PART 1 · 三个要素04

各自站在什么位置

核心技术、基础设施、关键驱动

MONEY QUOTE · 01

生成式 AI 提供能力，实时互动提供基建，AI 音频提供体验。

三者不是并列的技术名词。谁站在哪个位置，决定了一个团队该往哪儿投入。

PART 2

MILESTONES

里程碑与落地

从别人的一次演示，到今天已经有服务类和陪伴类两条真实的落地路径。

01 对话式 AI 是什么 02 里程碑与落地 03 引擎怎么做到 04 音频体验革新

PART 2 · 十个月07

2024.05 – 2025.03

两个原点，一次国内首发，三次开门

PART 2 · 落地形态08

对话式智能体当前有哪些行业应用

目前只分两类：办事的，和陪着的

Service Agents服务类智能体目标是把事办成。衡量它的是任务完成率、处理时长、一次解决率——交付的是智能价值和时间价值。

Companion Agents陪伴类智能体目标是让对方愿意继续说下去。衡量它的是时长、回访、情绪反馈——交付的是情绪价值。

两类智能体对音频的要求完全不同。一类要求听得准，一类要求听得出情绪。这是音频算法接下来最大的分岔。

PART 2 · 用户价值09

对话式智能体提供哪些价值

三种感受，对应三种价值

PART 3

ENGINE

引擎怎么做到

模型选择多、智能响应快、对话体验好、用起来省心更省钱。四个字，每个字后面都有能被验收的数。

01 对话式 AI 是什么 02 里程碑与落地 03 引擎怎么做到 04 音频体验革新

PART 3 · 架构11

From Perception to Intelligence

引擎负责最下面两层，也是最难的两层

PART 3 · 产品架构12

产品架构图

RTE + AI：两股能力合流，才有这个引擎

PART 3 · 总览13

多、快、好、省

四个字，每个字后面都有硬指标

多

智能多、音色多

全球几乎所有大模型厂商 + 全球主流语音合成供应商，任意切换

快

响应快、打断快

响应延迟中位数 650ms，打断延迟中位数 340ms

好

情商高、真拟人

优雅打断、选择性注意力锁定、无惧噪声弱网

省

开发省心更省钱

2 行代码 + 15 分钟接入，一分钟不到一毛钱

对视听行业来说，这四个字里最关键的是「好」。内容行业最先感知到的，永远是体验的毛刺。

PART 3 · 多 & 快14

选择权交给开发者 · 由奢入俭难

模型都能选，而且换了也一样快

多

模型与音色，都不锁定

只要和 OpenAI 接口协议兼容的模型厂商，全部原生支持；全球主流语音合成供应商任意切换，客户自己定制、克隆的音色也能上线。

快

响应快，更要打断快

超低延时方案，中、美、欧、东南亚主要城市实测，响应延迟中位数 650ms；超高智能 + 超强表现力方案，全球主要城市实测低至 1s。

650MS · 响应延迟中位数

340MS · 打断延迟中位数（任意方案）

延时会根据不同供应商的选择而浮动。这条口径写在这里，是给客户拿去做验收标准的，不是拿去做宣传的。

PART 3 · 好15

好 · 情商高、真拟人、无惧噪声弱网

三件事决定了它像不像一个能聊的人

01

优雅打断

任意模型接入即可做到「嘘」、「等等」、「闭嘴」的对话体验。根据人的对话节奏与内容，做出最拟人化的打断响应——「更懂你」。

02

选择性注意力锁定

对话人声锁定。当对话人处于现实世界、身边有不同人声干扰时，模型必须准确识别谁在和自己讲话——「听谁的」。

03

抗丢包、抗抖动

人模对话场景，除了抗丢包 80% 外，断网 3–5s 依旧流畅对话。人人对话场景，抗上下行丢包已达到 80%。

音频算法在这一代产品里的任务变了。过去是让声音更干净，现在是让模型知道该听谁的、什么时候闭嘴。

MONEY QUOTE · 02

把话筒，交给 Agent。

优雅打断解决「它什么时候该停」，选择性注意力锁定解决「它该听谁的」。两件事做到了，话筒才敢递过去。

PART 3 · 省17

省 · 开发省心，用起来省钱

2 行代码 + 15 分钟，一分钟不到一毛钱

从 Console 到任意模型对你开口 Say Hi，只需要 2 行代码 + 15 分钟。不是简单的文字游戏——这条路径的每一步都能在 Playground 里当场跑一遍。

PART 4

AUDIO

音频体验革新

最后回到这场的题目：对话式 AI 到底把音频体验推到了哪一步。

01 对话式 AI 是什么 02 里程碑与落地 03 引擎怎么做到 04 音频体验革新

PART 4 · 切题19

技术变革 × 体验革新

同一条线上，服务对象换了一次

MONEY QUOTE · 03

从面向人类设计，到面向模型设计。

VAD 是为人听得到而生的，AI-VAD 是为人听得清而生的。到了对话式 AI 引擎这一代，音频算法第一次把模型当成用户。

PART 4 · 收束21

回归用户价值

技术往前走一步，是为了换回三种价值

情感共鸣

情绪价值

陪伴类智能体交付的东西，是对方愿意继续说下去。

问题解决

智能价值

服务类智能体交付的东西，是这件事真的办成了。

效率跃升

时间价值

把原本要等、要排队、要重复的过程压掉。

声网为客户创造的价值，最终只落在这三格里。音频体验革新不是目的，是抵达这三格的必经之路。

MONEY QUOTE · 04

对话式 Agent，创业者最好的选择。

模型和音色都能换，响应 650ms、打断 340ms，一分钟不到一毛钱。剩下的事，交给做内容的人自己去想。

带走 · TAKEAWAYS23

今天能带走的三件事

如果只记三句

01

音频是关键驱动

生成式 AI 提供能力，实时互动提供基建，AI 音频提供体验。对视听行业来说，第三个位置最值得投入。

02

两类智能体，两套尺子

服务类看任务办没办成，陪伴类看对方愿不愿意继续说。别用同一套指标验收。

03

音频算法换了用户

从让人听得清，到让模型知道该听谁的、什么时候闭嘴。这是这一代最大的变化。

对话式 AI 驱动的这轮音频体验革新，起点是听得到，今天走到听得清。往后每一步，都是在为模型和人共同设计。

第十二届中国网络视听大会 · 演讲结束

谢谢各位的时间

希望和大家一起持续学习，共同进步

Venue第十二届中国网络视听大会

Date2025.03.28

Archive演讲档案 04 · 原稿 25 页

Note本 deck 已剔除空页与致谢页，按主线重排