人人都是产品经理大会 2025 · 2025.12.23

从「活人感」缺失
到体验基准打造

对话式智能体的进化之路
场合人人都是 PM 2025(PMTalk)
日期2025.12.23
讲者姚光华 Colin
形式主会场 / 分论坛主题演讲
全场主线 · THE ARC02
这场在讲什么

一个词,走完六段路。

01 故事 命运的齿轮 02 本质 对话是什么 03 断层 活人感缺失 04 位置 我们做了什么 05 实践 体验基准 06 未来 从设备到关系 一句话:活人感不是玄学,它可以被拆开,被衡量,被优化。
这场演讲的全部工作,
就是把「不像活人」这句抱怨,翻译成一张可执行的指标表。
ACT 01
THAT NIGHT
一个故事
先从一个仲夏夜讲起。那一晚之后,我对这件事的判断就再也没变过。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
命运的齿轮 · THE GEAR04
24 年 8 月,仲夏夜,上海

彻夜未眠,命运齿轮开始转动。

2024.08 · 上海
一个仲夏夜
那天晚上我第一次意识到——Voice Agent 的爆发,不是趋势,是必然。
2024.10.01
Realtime API
全球第一个 Realtime API 上线。判断从直觉,变成了日程表上的事。
同一时间
地球是圆的
硅谷也可以是卷的
卷,不是因为焦虑,是因为所有人都意识到了同一件事。
这一幕不是怀旧。
它解释了后面所有产品决策的出发点:我们相信这件事会发生,所以先动手。
MONEY QUOTE · 01
谁先理解 Voice Agent 的本质, 谁就赢得下一代计算平台。
所以接下来这一整场,都在回答一个问题:本质到底是什么。
ACT 02
THE NATURE
一个本质
在谈「像不像活人」之前,先得说清楚:一场真正的对话,到底由什么构成。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
词源 · FIRST MENTION07
2024.01.25

「对话智能体」第一次被单独拿出来讲。

AGENT AI: SURVEYING THE HORIZONS OF MULTIMODAL INTERACTION
Conversation Agents
In creating conversational robots, LLMs can contribute to natural, context-sensitive interactions with humans. These models process and generate responses that mimic human conversation, allowing robots to participate in meaningful dialogues.
Additionally, LLMs play a significant role in the estimation of conceptual and emotional attributes of utterances.
注意论文强调的两个词:conceptual attributes 与 emotional attributes ——概念特征和情感特征。
出处:Agent AI: Surveying the Horizons of Multimodal Interaction,2024.01.25
从第一天起,这件事的定义里就写着「情感」。
它不是后来才加上去的体验修饰。
对话不止语言 · MEHRABIAN08
对话,是我们与生俱来的能力

对话,从来都不止「语言」。

7% 语言内容 38% 声音语调 55% 身体语言 梅拉宾法则 ·《沉默的信息 SILENT MESSAGES》
只做文本,你只碰到了 7%。
剩下的 93% 才是「活人感」真正住的地方。
活人感 · WHAT MAKES IT ALIVE09
「活人感」的构成要素

四件事,构成了对话的全部真实体验。

这四件事,构成了「对话」的全部真实体验 被听到 LISTENING 被理解 UNDERSTANDING 被接纳 ACCEPTANCE 被共鸣 RESONANCE
越往右,越难被指标覆盖,也越决定用户会不会回来。
大多数产品死在第一格:连「被听到」都没做稳。
对话即交互 · THE INTERFACE10
交互的终点,是回到我们最原始的能力

界面演进了七代,最后转了一个圈。

API/SDK 开发者 和代码 Console 产品经理 和界面 Graph 设计师 和画板 Text 受教育者 和模型 Voice 自然语言使用者 和智能体 Video 孩童 和虚拟生命体 Face2Face 我们 和具身智能 对话不仅仅是界面,它本来就是人类最古老的操作系统。 CONVERSATION IS NOT AN INTERFACE — IT IS HUMANITY'S OLDEST OPERATING SYSTEM
MONEY QUOTE · 02
对话不仅仅是界面, 它本来就是 人类最古老的操作系统。
对话式智能体,是第一次让计算以「人类方式」展开的接口。
ACT 03
FAULT LINE
一个断层
技术在飞,体验在裂。这一幕先放一段真实通话,再看四组数据——共识、非共识、现实、和钱。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
翻车现场 · THE REAL CALL13
一段真实通话 · 南美客户

哪一个是 AI,哪一个是真人?

现场原话(西班牙语转写节选)
「伊格纳西奥,你是个人。」
「所以别到这里来装大人物……如果你不和我像人一样说话,如果我发现你假装像计算机一样说话……你就在电话线后面。别像计算机一样和我说话。」
这段对话里最扎人的不是听不懂,是「我听出来了,而且我被冒犯了」。用户对「不像活人」的敏感度,远高于我们对指标的敏感度。
活人感缺失不是一个体验瑕疵。
它会直接变成一次失败的商业交互。
MONEY QUOTE · 03
别像计算机一样 和我说话。
这是用户的原话。整场演讲后面所有的指标,都是为了让这句话不再出现。
共识 · THE CONSENSUS15
共识

企业侧已经把它当成战略,不是实验。

67%的企业认为 Voice Agent 是战略的核心,而不是实验
84%的企业计划在未来 12 个月内增加在语音技术上的预算
15%的企业正在开发更先进的 Voice Agent,其中 98% 计划在明年内部署
50%的企业仍在用传统 NLP 方案做线上客服,并视 Voice Agent 为未来最重要的场景
数据来源:Deepgram 和 Opus Research 基于北美 400 位商界领袖的调研。
非共识与现实 · THE SIGNALS16
非共识 · 现实

创业侧和用量侧,都在同时点火。

非共识 · Y COMBINATOR
W24:Voice Agent 公司增长了 70%
W25:Voice Agent 公司占比达到 22%
现实 · 用量与生态
声网 Convo AI 用量增速 151%(2025 年 Q3 环比 Q2)
ElevenLabs 全球黑客松产生超过 300 个 Voice Agent 相关项目
TEN Framework 一年内多次登顶 GitHub C 排行榜,8400 星
对话式智能体的时代已经开始,
只是大多数人还没意识到。
市场 · THE MONEY17
对话式智能体市场规模

十年,从 24 亿美元到 475 亿美元。

2024 START $2.4B 2024 END $5.4B 2034 $47.5B SOURCE · MARKET.US
钱已经排好队了。
决定谁拿走的,不是模型,是体验。
ACT 04
POSITION
一个位置
我们不在应用层,也不在模型层。这一幕讲我们站在哪,以及我们用这个位置做了什么。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
站位 · WHERE WE STAND19
在新一代 Realtime AI 架构里

应用在上,模型在中,我们在底下。

APPS ABOVE 应用在上 MODELS BETWEEN 模型在中 AGORA BENEATH 声网位于底层与中间层之间,让一切实时对话真正发生 INFRASTRUCTURE 网络 · 传输 · 算力
我们不是应用链条的一环,
我们是整个链条能实时运转的原因。
里程碑 · MILESTONES20
对话式 AI 里程碑

从一篇论文,到一次全栈发布。

2024.01.25 Agent AI 论文 2024.05.13 GPT-4o 「听、说、看」多模态交互 2025.03.06 对话式 AI 引擎 1.0 2025.07.01 模型评测平台 1.0 2025.10.31 全栈发布 Engine 2.0 · 评测 3.0 · Studio 1.0
这条线上的每一个点,都是为了同一件事:
把「活人感」从形容词变成可交付的产品能力。
产品 · ENGINE & STUDIO21
对话式 AI 引擎 2.0:让 Agent 对话更接近人

九次迭代,换来一句「敢上生产」。

V1.0
能说会道
2025.03.06 GA
V1.7
有形象、能专注、会观察
从「会说」到「会看、会挑重点听」
V2.0
生产级可用 Production-Ready
9 次产品迭代之后的那条线
配套的对话式 AI Studio 提供多个场景的生产级 Agent 模板,可视化编排,一键发布。
「更接近人」不是一个愿景描述,
它被拆成了九次可以打版本号的改动。
硬件 · DEVICE KIT22
对话式 AI 开发套件:赋予硬件「数字灵魂」

Robotics 1 产品系列,两块板子。

R1 WI-FI · 2025.03.20
BK7258
面向有稳定 Wi-Fi 环境的桌面级、家用级设备。让智能硬件用最短路径开口说话。
R1 4G · 2025.09.26
UNISOC8910
面向离开家也要能对话的随身设备。半年之内补上蜂窝网络这一条链路。
活人感不只是软件问题。
它最后一定要落到一块能听、能说、能联网的板子上。
评测平台 · BENCHMARK23
对话式 AI 模型评测平台

综合最优、响应最快,一目了然。

模型
89
个模型
厂商
28
个主流厂商
地区
11
个地区
语言
10
种语言
更新
小时级
数据更新
我们真正想创造的,
是未来所有对话式智能体的体验基准。
体验基准 · THE YARDSTICK24
「体验基准」的评测维度

把三条生死线,翻译成可测的指标。

生死线 01 别听错 可测维度 WER for ASR & TTS AP for TTS 选择性注意力锁定 SAL 生死线 02 别失控 可测维度 可观测 · 可调优 · 可兜底 每段延迟与失败点可定位 级联架构:ASR / LLM / TTS 独立替换 生死线 03 别让人等 可测维度 TTLW · TTFT · TTFB 0–200ms 是理想区间 ≈400ms 可接受,≥1s 是红线 第四个维度 · 省 Agent 成本计算器:开销全透明 覆盖面:89 个模型 · 28 个厂商 · 11 个地区 · 10 种语言 · 小时级数据更新
MONEY QUOTE · 04
对话式智能体 不仅可以被感受, 也可以被衡量。
这是「活人感」从玄学变成工程的那一刻。
ACT 05
IN PRODUCTION
一些实践
接下来这四页,是真正把活人感做丢的四个地方。全部来自生产环境,不来自实验室。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
来自 AMA · THE REAL QUESTIONS27
真实世界的问题,往往不是模型问题

这些问题,来自我最近一次 AMA。

不是这些
实验室里的问题
模型够不够聪明、参数量多大、榜单排第几。这些问题在 Demo 阶段就能回答完。
而是这些
一进生产就一定遇到
用户还没说完就被打断、旁边有人说话它也听、断网三秒整段对话崩掉、成本算不清。
模型解决「说什么」。
活人感解决「怎么说、什么时候说、要不要说」。
延迟 · DEATH BY WAITING28
对话感,死于等待

人类对延迟的容忍,不是无限的。

≈ 0 – 200 MS 面对面交流 临场反馈扑面而来 这是「活人感」的理想区间 人人对话 ≈ 400 MS 远程在线交流 人会主动等一下对方 人在心理上做了延迟补偿 电话、实时通话的区间 · 可接受 ≥ 1 S 人机对话 需要等,需要确认,需要容忍 人不是在对话,而是在等系统反应 被默认成了「新常态」
噪声 · WHAT REALLY KILLS IT29
真正毁掉对话的,不是噪声

嘈杂环境 ≠ 单一噪声。

稳态噪声:空调声、风噪、机械持续运行 瞬态噪声:敲击、碰撞、犬吠 非对话人声:最容易被忽略,但最致命 选择性注意力锁定 SELECTIVE ATTENTION LOCKING 对话人声 语境判断 + 音频分离 真正成熟的 AGENT,不是把听到的都当输入
架构 · WHY CASCADE30
敢商用,才是架构的底线

为什么选级联,不选端到端。

ASR LLM TTS 可以独立替换、独立升级 可观测:每一段延迟、失败点都可以被定位和优化 可兜底:出问题时,系统不会整体失控 可调优 TUNABLE
在人机对话里,稳定性本身,就是一种用户体验。
MONEY QUOTE · 05
别听错, 别失控, 别让人等。
对话式智能体的生死线只有这三条。A conversation lives or dies by three rules.
ACT 06
RELATIONSHIP
从设备到关系
最后一幕讲两件事:这件事会长到多大,以及做这件事的人要怎么转身。
01 故事 02 本质 03 断层 04 位置 05 实践 06 未来
陪伴 · COMPANIONSHIP33
陪伴

四个数字,一件正在长起来的事。

110分钟 / 天Data.ai:日活用户平均花费 90–110 分钟 / 天
2.2亿次下载Appfigures:今年上半年 AI 陪伴类 APP 全球总下载量,全年营收突破 1.2 亿美元
595亿元 · 2028华经产业研究院:2028 年中国 AI 情感陪伴行业市场规模将上涨至 595.06 亿元
5000倍五年内ARK Invest:全球 AI 情感陪伴产品年营业额有望从 3000 万美元增至 700 亿到 1500 亿美元
这些数字买的不是功能,
买的是「有人在那头」这件事。
App · THE SECOND HALF34
AI 陪伴 App:全球百「聊」大战下半场

五种做法,五种「陪」的定义。

AI 虚拟陪聊
Wow
AI 虚拟陪聊
Talkie
AI 虚拟伴侣
LoveDovey
分身代入式聊天
桃豆世界
心理聊愈
小雀幸
赛道里比的不是谁的模型强,
是谁更早把「活人感」做成了默认体验。
硬件 · OFF THE PHONE35
AI 陪伴硬件:不再依附于手机

2025 H1 的投融资,已经超过 2024 全年。

市场信号
2025 H1 AI 硬件领域投融资总额
已超 2024 年全年
陪伴这件事正在从 App 里走出来,落到一个可以被抱在怀里的东西上。
我们提供的
声网对话式 AI 开发套件
快速让智能硬件开口说话。R1 Wi-Fi(BK7258)与 R1 4G(UNISOC8910)两条路径。
从手机开始,向所有可对话设备扩展。
下一代 OS · THE NEXT OS36
一种未来

对话式智能体,正在成为下一代操作系统。

CONVERSATION AGENTS ARE BECOMING THE NEXT OPERATING SYSTEM
Starting with phones, and expanding to all devices that can converse.
从手机开始,向所有可对话设备扩展。
操作系统这个词的含义是:
你不再需要学会它,它需要学会你。
MONEY QUOTE · 06
如果可以用实验验证, 就不该等待共识。
Inspired by「The HeyGen Way」 —— 人和组织,必须一起转身。
内观 · INTROSPECTION38
一点感悟

人和组织,必须一起转身。

那一晚的领悟
不是趋势,是必然
对话式智能体不是一个风口,它是交互回到原点的必经之路。
组织怎么转
先做实验,再等共识
如果可以用实验验证,就不该等待共识。Inspired by「The HeyGen Way」
人怎么转
理解世界,也理解自己
未来属于能理解世界,也能理解自己的人。
我们花了一整场讲怎么让 Agent 更像人。
最后一页想说的是:别在这个过程里,把自己变得更像机器。
MONEY QUOTE · 07
AI 会重塑世界, 而内观会重塑我们。
愿我们在理解 Agent 的同时,也不忘理解自己。
带走 · TAKEAWAYS40
今天能带走的三条

如果只记住三句话。

01
活人感是可以被拆开的
被听到、被理解、被接纳、被共鸣。先看你的产品死在哪一格,别笼统地说「不够自然」。
02
三条生死线要有指标
别听错(WER / AP / SAL)、别失控(可观测 / 可调优 / 可兜底)、别让人等(TTLW / TTFT / TTFB)。
03
延迟有区间,不是越低越好玄学
0–200ms 是理想,≈400ms 可接受,≥1s 就已经不是对话了。先量一遍你现在在哪一档。
一份礼物:行业发展白皮书 & 对话式 AI 开发手册。
谢谢

从「活人感」缺失
到体验基准打造

对话式智能体的进化之路
场合人人都是 PM 2025
日期2025.12.23
相关档案演讲档案 08
说明依原稿 47 页重构,已剔除空页与致谢页