作者 | 程茜

编辑 | 云鹏

智东西 3 月 6 日报道，今日下午，声网对话式 AI 引擎正式发布，其拥有 650ms 超低延时响应、优雅打断、全模型适配等五大能力，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。

在价格方面，经声网内部测算，对话式 AI 引擎 1 分钟不到 1 毛钱，每分钟价格为 0.098 元。

一、现场对话丝滑，对话式 AI 引擎四大优势：多快好省

现场，声网生成式 AI 产品负责人毛玉杰和对话式 AI 引擎对话，主要进行了中英文翻译、优雅打断、餐厅推荐等演示。

这一对话式 AI 引擎的优势，声网 AI RTE 产品线负责人姚光华用四个字进行了概括：多、快、好、省。

具体来看，多指的是智能多、音色多，包括模型都能选、语音合成自由选择和定制。

声网对话式 AI 引擎支持全球几乎所有大模型厂商，只要与 OpenAI 接口协议兼容的模型厂商，全部原生支持，同时支持全球主流语音合成供应商任意切换，客户在供应商处定制、克隆等自定义音色也能上线。

快指响应快、打断快。也就是超低响应延时和超低打断延时。

声网对话式 AI 引擎的响应延迟中位数为 650ms，打断延时中位数为 340ms。

好是情商高、真拟人、无惧燥声弱网。

声网对话式 AI 引擎可以做到优雅打断，同时在周围人声很多时，基于选择性注意力锁定，锁定对话人声，准确识别谁在说。人模对话场景下，该产品可以实现抗丢包 80% 以上，断网 3-5 秒能流畅对话。

省是指开发省心，姚光华透露，从对话时 AI 引擎 Console 到任意模型开口说话，需要 2 行代码 +15 分钟。

价格方面，智能体通话价格 0.098 元每分钟，免费额度 1000 分钟（一次赠予）。

经声网内部测算，用户与 AI 每产生 1 次对话中，平均会有约 3 轮问答，计算下来平均对话时长约为 21.1s，单次成本仅需 3 分钱。如果每月对话次数 15 次，那么月成本不到 5 毛钱，年成本也只需 5 元。

二、全球首个对话式 AI 产品，横跨模态感知 + 模态融合

声网 AI RTE 产品线负责人姚光华还谈到了几个对话式 AI 的里程碑事件。

2024 年 5 月 13 日，OpenAI 发布具备看、听、说的能力的 GPT-4o，他认为这是对话式 AI To C 的原点。2024 年 10 月 1 日，OpenAI 发布 Realtime API；2024 年 10 月 24 日，声网和 MiniMax 发布国内首个 Realtime API。

最新的一个里程碑事件就是，今天声网对话式 AI 引擎正式发布，这也是全球首个对话式 AI 产品。

在姚光华看来，对话式 Agent 给用户带来的价值有问题得到解决的智能价值，还有情感共鸣的情绪价值以及效率跃升的时间价值。

Agent AI 从感知到智能，主要包含四层：模态感知层指的是 Agent 要感知物理世界的信息，对音视频做处理和转换；模态融合层指对感知到的信息进行统一多模态处理；任务处理层是面向目标和任务进行处理和解决；顶层智能层是高级认知与学习能力，具备超高情商。

声网对话式 AI 引擎，横跨的是模态感知和模态融合层。

结语：对话式 AI 热潮涌起

从仅基于文本的聊天机器人和语音助手，转向能理解和响应文本、声音、图像、手势等多种输入的时代，为用户提供多感官交互体验。这样一来，AI 能更好地理解和响应微妙的语音命令，使语音交互更直观、友好。

借助声网对话式 AI 引擎，开发者能够迅速部署智能助手、虚拟陪伴、口语陪练、智能客服、智能硬件等对话式 AI 场景，加速对话式 AI 融入各行各业。