身处 AI 时代，你一定遇到过这样的时刻：对着语音助手说完一段话，那个光圈转了两秒才慢悠悠地开口；你中途想改口，它却像没听见，坚持把上一段说完；你语气已经不耐烦了，它还在用同一种温柔腔调念稿子。

在学会了说话之后，AI 似乎撞上了一堵看不见的墙。这堵墙与聪明无关，它叫 " 实时 "。于是，全球 AI 厂商的竞争焦点从 " 生成更拟人的语音 "，转向了 " 参与一场正在实时发生的互动 "。

2026 年也被普遍视为 Voice Agent 从试点走向规模化的关键一年。当所有人都在让 AI" 开口说话 "，谁来解决 " 说得自然、听得明白、接得顺畅 " 的最后一公里？

1." 实时交互 " 的 AI 下半场

把过去两年半的关键节点排成一条线，节奏快得有点不真实。

2024 年 5 月，GPT-4o 用原生多模态把实时语音对话变成现实；同年 10 月，OpenAI 发布 Realtime API，又于去年 8 月正式从演示走入了生产环境。

真正的加速发生在今年：5 月和 7 月，GPT-Realtime-2 和 2.1 把实时推理、工具调用与流式转写塞进语音模型；9 月 15 日，Gemini 3.8 Live 让 " 对话 " 与 " 深度思考 " 并行，一边聊一边把任务做下去；10 月 15 日，GPT-Live 与 Decisions 的组合实现了 " 用户仍在说，Agent 已经行动 "。

商业端的信号更直接。企业级语音 Agent 公司 Sierra 今年 5 月完成 9.5 亿美元融资，投后估值 158 亿美元，更关键的是，这家成立仅三年的公司披露其 ARR（年度经常性收入）已超 1.5 亿美元，且计费方式从传统的 " 按消息量 " 转变为 " 按解决了多少问题 " 结算。

资本往往比技术更早闻到味道。Grand View Research 的数据显示，全球 AI 语音智能体市场 2025 年约 25.4 亿美元，2033 年将增至 352 亿美元，2026 至 2033 年复合增长率 39%；而仅今年一季度，AI 语音初创公司的融资额就约 70 亿美元，去年同期还不足 10 亿美元。一年之间，七倍之差。

在创业生态中，OpenAI CTO Mira 创办的 Thinking Machines Lab 发布了 Interaction 交互模型，引领了从端到端单模型向 " 快慢脑 " 范式的转变；海外公司 Tavus 推出的 Griffin 模型，在真人测试中让 48% 的用户误以为对面是真人；创业公司 Instinct 则通过短信和电话实现了 Zero-UI 的个人助手。

与此同时，行业的残酷洗牌也在同步进行，Chapter AI 申请破产保护，而中国政府也推出了全球首个 AI 情感陪伴和拟人化互动服务的国家级监管规则。

正是在这样技术爆发与商业重塑交织的节点上，连续举办十二届的 RTE 大会正式升级为 iRTE。多出的这个 "i"，精准地宣告了实时互动从传递信息走向承载智能的代际跨越。

2. 一个 "i" 的重量

2015 年，第一届实时互联网大会的名字叫 RTC。那时国内几乎没有专门的实时音视频服务，是一群对技术有执念的开发者，把 WebRTC 这件事带进了中国。2016 到 2019 年，移动互联网起风，实时音视频从直播间的连麦，一路长进社交、教育、会议；2020 年，RTC 升级为 RTE，" 实时 " 从一项技术延伸到一整片场景。今年，RTE 前面多了一个 i，变成 iRTE ——实时智能。

"i" 释义的是 RTE 边界的两次延伸：互动对象，从人与人扩展到人与 Agent；互动内容，从传递信息走向承载智能。

判断一场大会是不是行业风向标，最省事的办法是看名单。

本届大会共开设了 15+ 论坛、100+ 场深度演讲。模型层，Kimi、MiniMax、阶跃星辰、面壁智能、模思智能、生数科技等国内头部大模型公司集中到场；场景层，美团、阿里 ATH、Rokid、Soul、HOLLA、EF 英孚、伴鱼等带来客服、硬件、社交、教育的落地实践；基础设施层，声网、博通集成、瑞芯微等把芯片、端侧与实时网络摆上台面。

在技术纵深上，" 对话式 AI 技术专场 " 由西北工业大学教授谢磊与声网多模态负责人吴渤联合出品，直击 " 互动即智能 " 的核心。大会的议程设置高度聚焦于三个产业痛点：

首先是模型怎么从 " 会说话 " 到 " 会互动 "。阶跃星辰杨学锐探讨了下一代交互模型，Soul 王新升带来了 " 为实时交互而生 " 的语音合成模型 Loxi-Speech，香港中文大学（深圳）李明教授则分享了复杂多人场景下的目标人声抽取技术。

其次是智能体怎么从 " 能对话 " 到 " 办成事 "。在企业级客服智能体专场上，声网 Call Agent 产品经理黄哲剖析了成本与转化，美团高级技术专家徐俊拆解了 B 端挑战，阿里 ATH 资深架构师施新华讲述了智能客服 Agent 的自进化。圆桌论坛更是直接以 "AI Agent 上岗 " 为题，探讨业务闭环。

最后是硬件怎么从 Demo 走向增长。智能硬件专场中，小佩施云磊分享了如何将 AI 放到宠物身上，宇视科技蒋成元探讨了视觉能力进入家庭的路径，Jellop 王丽君则发问海外众筹市场中哪些 AI 硬件真正让人愿意掏钱。

能不能互动、能不能交付结果、能不能卖出去——三个问题对应产业链从上至下的三个层次。一场大会把这三个痛点讲完，才当得起 " 风向标 " 一名。

在两场重量级圆桌中，行业共识进一步凝聚。

Agora 联合创始人 Tony Wang 主持的 " 个人智能体 " 圆桌指出，AI 产品的价值正从争夺注意力转向帮用户完成任务；华建新认为未来入口未必由单一设备独占；Eugene Wei 则强调 " 上下文为王 "，个人智能体必须理解用户的社会关系与长期记忆。

声网首席商业官崔博主持的 " 对话式 AI 驱动 " 圆桌则聚焦落地，斜跃智能创始人陈伟、Rokid 联合创始人蔡国祥、冠客科技创始人耿祥磊、泰坦启明 CEO 吴侃分别就具身智能、AI 穿戴、语音座席和 AI 招聘等场景，探讨了延迟、打断、拟人化以及大规模触达等真实业务挑战。

3. 撑起名为 " 实时 " 的桥梁

如果说模型公司负责 " 大脑 "，那么总得有人负责 " 神经系统 "。这个角色，声网做了十二年。

少有国内大众注意到，2024 年 10 月 OpenAI 发布 Realtime API 全球首个端到端多模态 API 时，声网的海外主体 Agora 就是其合作方。这不是偶然的站队，而是十二年技术积累在新一轮周期里的自然兑现。

声网创始人兼 CEO 赵斌的判断是：对话式 AI 正驱动 RTE 从 " 正常对话 " 迈向 " 声情并茂 "。这四个字既是技术指标，也是产品哲学。它承认了一件事：人跟人说话，从来不只是交换信息。

为了量化这种进化，赵斌还提出了 " 五级对话能力框架 "：从 L1 基于自身视角的被动表达，到 L2 基于互动规律的主动连贯，再到 L3 基于个体认知的因人而异，进而到 L4 基于群体认知的复杂多人沟通，最终达到 L5 基于深度关系的思维默契。这五级框架，为行业从 " 理解当下 " 走向 " 理解一个人 " 提供了清晰的标尺。

这条产品线也不是今年才起步。从 2023 年 10 月全球首个支持 AI 语音的 AIGC RTC SDK，到 2024 年 10 月支撑起 OpenAI 的 Realtime API，再到 2025 年 3 月的对话式 AI 引擎、10 月的引擎 2.0 及 Studio，直到今年 10 月的 Call Agent 与实时 AI 开发工具包。三年时间，它跑出了亿级通话量，客户名单里既有 MiniMax、商汤、智谱这样的模型公司，也有珞博智能的 AI 玩具芙崽、美团 Keeta 与满帮货运的 AI 客服。

声网在模型侧的选择更值得说，它没有押注某一条路线，而是把三条路拼成一个混合系统—— Agora Conversational Model。感知系统负责 VAD、回声消除、流式 ASR、声音事件理解与说话人分离；全双工对话响应系统负责流式推理、工具调用、长期记忆与大 / 小脑分工；表达模型用 Context TTS 把语义还原成语气。

三合一的好处是容易接进业务系统、扛得住复杂 Agent 工作流，代价是模型之间的配合与工程复杂度。不过相辅相成之下可以做到持续聆听的互动感知、及时回应的意图判断、正确行动的语义运用，让模型、互动和实时网络协同，让系统 " 更会说话 "。

依托这一路线，声网推出了以全双工交互为核心的对话式 AI 引擎，实现端到端响应延时 50ms 级、极限打断响应 340ms；并发布了 R1 系列、R1-4G、R2 等对话式 AI 开发套件，以及面向开发者的 Agora Agents SDK、Skills、CLI 工具等矩阵。

这一切的底座，是声网 SD-RTN 全球 300+ 数据中心的智能路由。其 Web SDK 在复杂弱网下可承载 700Gbps 峰值、单频道最大 23 万并发，将加入频道的 RTT 从 7 个压缩至 2 个。在 MrBeast 超级碗直播案例中，声网独家技术支持了单频道峰值并发 58.2 万人、带宽峰值 2.76Tbps 的极限考验，在覆盖 213 个国家和地区、连续运行 72 小时的情况下，首屏推流延迟不到 1 秒。

放眼未来，AI 眼镜出货量在 2026 年预期超千万级，Salesforce 全面转型 Agent 驱动，WebRTC 也正从浏览器能力进化为 AI 与人互动的基础技术栈。可以预见，产业分工正在变得清晰，大脑可以一月一换，神经却不能断上一秒。当行业从 " 谁的模型更聪明 " 转向 " 谁的体验更自然 "，比拼的就不再是榜单，而是不性感的、长周期的、必须靠时间垒起来的底座能力。

Voice Agent 的竞赛刚刚开局，基础设施的排位战却早已打响。当 Agent 成为实时互动网络中的新参与者，iRTE2026 既标注了行业下一程的走向，也见证了一家基础设施公司的再一次自我重写。

身处 AI 时代，你一定遇到过这样的时刻：对着语音助手说完一段话，那个光圈转了两秒才慢悠悠地开口；你中途想改口，它却像没听见，坚持把上一段说完；你语气已经不耐烦了，它还在用同一种温柔腔调念稿子。

在学会了说话之后，AI 似乎撞上了一堵看不见的墙。这堵墙与聪明无关，它叫 " 实时 "。于是，全球 AI 厂商的竞争焦点从 " 生成更拟人的语音 "，转向了 " 参与一场正在实时发生的互动 "。

2026 年也被普遍视为 Voice Agent 从试点走向规模化的关键一年。当所有人都在让 AI" 开口说话 "，谁来解决 " 说得自然、听得明白、接得顺畅 " 的最后一公里？

1." 实时交互 " 的 AI 下半场

把过去两年半的关键节点排成一条线，节奏快得有点不真实。

2024 年 5 月，GPT-4o 用原生多模态把实时语音对话变成现实；同年 10 月，OpenAI 发布 Realtime API，又于去年 8 月正式从演示走入了生产环境。

真正的加速发生在今年：5 月和 7 月，GPT-Realtime-2 和 2.1 把实时推理、工具调用与流式转写塞进语音模型；9 月 15 日，Gemini 3.8 Live 让 " 对话 " 与 " 深度思考 " 并行，一边聊一边把任务做下去；10 月 15 日，GPT-Live 与 Decisions 的组合实现了 " 用户仍在说，Agent 已经行动 "。

商业端的信号更直接。企业级语音 Agent 公司 Sierra 今年 5 月完成 9.5 亿美元融资，投后估值 158 亿美元，更关键的是，这家成立仅三年的公司披露其 ARR（年度经常性收入）已超 1.5 亿美元，且计费方式从传统的 " 按消息量 " 转变为 " 按解决了多少问题 " 结算。

资本往往比技术更早闻到味道。Grand View Research 的数据显示，全球 AI 语音智能体市场 2025 年约 25.4 亿美元，2033 年将增至 352 亿美元，2026 至 2033 年复合增长率 39%；而仅今年一季度，AI 语音初创公司的融资额就约 70 亿美元，去年同期还不足 10 亿美元。一年之间，七倍之差。

在创业生态中，OpenAI CTO Mira 创办的 Thinking Machines Lab 发布了 Interaction 交互模型，引领了从端到端单模型向 " 快慢脑 " 范式的转变；海外公司 Tavus 推出的 Griffin 模型，在真人测试中让 48% 的用户误以为对面是真人；创业公司 Instinct 则通过短信和电话实现了 Zero-UI 的个人助手。

与此同时，行业的残酷洗牌也在同步进行，Chapter AI 申请破产保护，而中国政府也推出了全球首个 AI 情感陪伴和拟人化互动服务的国家级监管规则。

正是在这样技术爆发与商业重塑交织的节点上，连续举办十二届的 RTE 大会正式升级为 iRTE。多出的这个 "i"，精准地宣告了实时互动从传递信息走向承载智能的代际跨越。

2. 一个 "i" 的重量

2015 年，第一届实时互联网大会的名字叫 RTC。那时国内几乎没有专门的实时音视频服务，是一群对技术有执念的开发者，把 WebRTC 这件事带进了中国。2016 到 2019 年，移动互联网起风，实时音视频从直播间的连麦，一路长进社交、教育、会议；2020 年，RTC 升级为 RTE，" 实时 " 从一项技术延伸到一整片场景。今年，RTE 前面多了一个 i，变成 iRTE ——实时智能。

"i" 释义的是 RTE 边界的两次延伸：互动对象，从人与人扩展到人与 Agent；互动内容，从传递信息走向承载智能。

判断一场大会是不是行业风向标，最省事的办法是看名单。

本届大会共开设了 15+ 论坛、100+ 场深度演讲。模型层，Kimi、MiniMax、阶跃星辰、面壁智能、模思智能、生数科技等国内头部大模型公司集中到场；场景层，美团、阿里 ATH、Rokid、Soul、HOLLA、EF 英孚、伴鱼等带来客服、硬件、社交、教育的落地实践；基础设施层，声网、博通集成、瑞芯微等把芯片、端侧与实时网络摆上台面。

在技术纵深上，" 对话式 AI 技术专场 " 由西北工业大学教授谢磊与声网多模态负责人吴渤联合出品，直击 " 互动即智能 " 的核心。大会的议程设置高度聚焦于三个产业痛点：

首先是模型怎么从 " 会说话 " 到 " 会互动 "。阶跃星辰杨学锐探讨了下一代交互模型，Soul 王新升带来了 " 为实时交互而生 " 的语音合成模型 Loxi-Speech，香港中文大学（深圳）李明教授则分享了复杂多人场景下的目标人声抽取技术。

其次是智能体怎么从 " 能对话 " 到 " 办成事 "。在企业级客服智能体专场上，声网 Call Agent 产品经理黄哲剖析了成本与转化，美团高级技术专家徐俊拆解了 B 端挑战，阿里 ATH 资深架构师施新华讲述了智能客服 Agent 的自进化。圆桌论坛更是直接以 "AI Agent 上岗 " 为题，探讨业务闭环。

最后是硬件怎么从 Demo 走向增长。智能硬件专场中，小佩施云磊分享了如何将 AI 放到宠物身上，宇视科技蒋成元探讨了视觉能力进入家庭的路径，Jellop 王丽君则发问海外众筹市场中哪些 AI 硬件真正让人愿意掏钱。

能不能互动、能不能交付结果、能不能卖出去——三个问题对应产业链从上至下的三个层次。一场大会把这三个痛点讲完，才当得起 " 风向标 " 一名。

在两场重量级圆桌中，行业共识进一步凝聚。

Agora 联合创始人 Tony Wang 主持的 " 个人智能体 " 圆桌指出，AI 产品的价值正从争夺注意力转向帮用户完成任务；华建新认为未来入口未必由单一设备独占；Eugene Wei 则强调 " 上下文为王 "，个人智能体必须理解用户的社会关系与长期记忆。

声网首席商业官崔博主持的 " 对话式 AI 驱动 " 圆桌则聚焦落地，斜跃智能创始人陈伟、Rokid 联合创始人蔡国祥、冠客科技创始人耿祥磊、泰坦启明 CEO 吴侃分别就具身智能、AI 穿戴、语音座席和 AI 招聘等场景，探讨了延迟、打断、拟人化以及大规模触达等真实业务挑战。

3. 撑起名为 " 实时 " 的桥梁

如果说模型公司负责 " 大脑 "，那么总得有人负责 " 神经系统 "。这个角色，声网做了十二年。

少有国内大众注意到，2024 年 10 月 OpenAI 发布 Realtime API 全球首个端到端多模态 API 时，声网的海外主体 Agora 就是其合作方。这不是偶然的站队，而是十二年技术积累在新一轮周期里的自然兑现。

声网创始人兼 CEO 赵斌的判断是：对话式 AI 正驱动 RTE 从 " 正常对话 " 迈向 " 声情并茂 "。这四个字既是技术指标，也是产品哲学。它承认了一件事：人跟人说话，从来不只是交换信息。

为了量化这种进化，赵斌还提出了 " 五级对话能力框架 "：从 L1 基于自身视角的被动表达，到 L2 基于互动规律的主动连贯，再到 L3 基于个体认知的因人而异，进而到 L4 基于群体认知的复杂多人沟通，最终达到 L5 基于深度关系的思维默契。这五级框架，为行业从 " 理解当下 " 走向 " 理解一个人 " 提供了清晰的标尺。

这条产品线也不是今年才起步。从 2023 年 10 月全球首个支持 AI 语音的 AIGC RTC SDK，到 2024 年 10 月支撑起 OpenAI 的 Realtime API，再到 2025 年 3 月的对话式 AI 引擎、10 月的引擎 2.0 及 Studio，直到今年 10 月的 Call Agent 与实时 AI 开发工具包。三年时间，它跑出了亿级通话量，客户名单里既有 MiniMax、商汤、智谱这样的模型公司，也有珞博智能的 AI 玩具芙崽、美团 Keeta 与满帮货运的 AI 客服。

声网在模型侧的选择更值得说，它没有押注某一条路线，而是把三条路拼成一个混合系统—— Agora Conversational Model。感知系统负责 VAD、回声消除、流式 ASR、声音事件理解与说话人分离；全双工对话响应系统负责流式推理、工具调用、长期记忆与大 / 小脑分工；表达模型用 Context TTS 把语义还原成语气。

三合一的好处是容易接进业务系统、扛得住复杂 Agent 工作流，代价是模型之间的配合与工程复杂度。不过相辅相成之下可以做到持续聆听的互动感知、及时回应的意图判断、正确行动的语义运用，让模型、互动和实时网络协同，让系统 " 更会说话 "。

依托这一路线，声网推出了以全双工交互为核心的对话式 AI 引擎，实现端到端响应延时 50ms 级、极限打断响应 340ms；并发布了 R1 系列、R1-4G、R2 等对话式 AI 开发套件，以及面向开发者的 Agora Agents SDK、Skills、CLI 工具等矩阵。

这一切的底座，是声网 SD-RTN 全球 300+ 数据中心的智能路由。其 Web SDK 在复杂弱网下可承载 700Gbps 峰值、单频道最大 23 万并发，将加入频道的 RTT 从 7 个压缩至 2 个。在 MrBeast 超级碗直播案例中，声网独家技术支持了单频道峰值并发 58.2 万人、带宽峰值 2.76Tbps 的极限考验，在覆盖 213 个国家和地区、连续运行 72 小时的情况下，首屏推流延迟不到 1 秒。

放眼未来，AI 眼镜出货量在 2026 年预期超千万级，Salesforce 全面转型 Agent 驱动，WebRTC 也正从浏览器能力进化为 AI 与人互动的基础技术栈。可以预见，产业分工正在变得清晰，大脑可以一月一换，神经却不能断上一秒。当行业从 " 谁的模型更聪明 " 转向 " 谁的体验更自然 "，比拼的就不再是榜单，而是不性感的、长周期的、必须靠时间垒起来的底座能力。

Voice Agent 的竞赛刚刚开局，基础设施的排位战却早已打响。当 Agent 成为实时互动网络中的新参与者，iRTE2026 既标注了行业下一程的走向，也见证了一家基础设施公司的再一次自我重写。