
导语:
上网课有个无法回避的问题,音视频质量。
老师讲得再好,学生端看不见听不清,提出问题时,AI助教接不住话。学生问一句,它沉默两秒;学生刚想补充,它又抢着开口。那感觉,像跟一个反应慢半拍的人打电话,聊三句就想挂。
而现在,对话式AI真正的门槛,不仅是“会不会答”,而是“接不接得住”。10月23日至24日,iRTE2026实时智能大会在北京举行,百余场分享都绕不开这个尴尬瞬间。做了十几年实时音视频的声网,这次想回答的,正是它能不能让AI把话接稳、把场子兜住。
出品/ 桃李财经
01 3秒,足以毁掉一场对话
人类聊天,自带默契。
对方话没说完,你会等;看见对方皱眉,你会顿一下;不小心抢话,总有人自然退让。
但,机器没有这套直觉。
其实业内早就有一个刺眼对比:不少对话式AI端到端延迟在3秒以上,而人与人对话的自然间隔不过400毫秒左右。
3秒,放在短视频里不算什么,放在对话里就是一场事故。用户问完,AI还在“思考人生”,体验已经垮了。
所以,对话式AI不是“问答产品”,而是一套实时系统。延迟、打断、噪音、丢包,任何一项崩掉,模型再聪明都白搭。
声网2025年3月发布对话式AI引擎时,给过一组实测数据:在中、美、欧及东南亚主要城市,语音对话延迟中位数低至650毫秒,打断响应340毫秒;“选择性注意力锁定”能屏蔽95%的环境人声与噪音,丢包率高达80%时对话仍能维持。开发者两行代码即可接入ChatGPT、DeepSeek等主流大模型。

这些数字不性感,但它们决定了AI像不像一个“能聊天的人”。说白了,大模型决定对话的上限,实时互动决定对话的下限。下限不稳,教育、客服、陪伴这些场景都落不了地。
02 老底子,撞上新麻烦
RTE大会从2015年办到今年,整整十二届。
名字从RTC到RTE,再到iRTE,每一次改名,都是声网业务边界的一次推演。早年是音视频通话,后来踩中直播、语聊房、在线课堂和K歌,如今风口吹到AI面前。一家公司能连踩几个浪头不奇怪,奇怪的是每次都能踩中,这背后不是运气,是底子。
支撑这套演进的,是一组数据:声网年度服务分钟数首次突破1万亿分钟;自建SD-RTN实时网络全球优质传输率不低于99%,并连续多年维持无全网事故纪录。线路稳的时候没人夸,一断线所有人都知道。
这套底子也被AI行业看见了。2024年10月OpenAI发布Realtime API公测版时,公布的语音合作伙伴中就有声网的海外主体Agora;到2026年9月,Agora又与谷歌联合推出Gemini 3.5 Transcribe与Agora对话式AI的集成方案。赵斌在主论坛上也提到,过去一年OpenAI等公司对WebRTC的深入采用,让实时互动技术在对话式AI领域受到更多关注。
但别急着把故事讲成“老树开新花”。沟通对象变了,交互规则也得重写。过去声网主要保证“通”,现在还要管“聊”:音频怎么降噪,打断时机怎么判断,终端怎么适配,模型怎么编排,后台工具调用怎么不打断前台对话。
声网要从“通道”往“系统”走,这才是真考验。
03 从“能答”到“会聊”,中间隔着五级台阶
今年10月的大会上,赵斌把对话能力拆成了五级,翻译过来就是:L1是一问一答,L2要掌控互动节奏,L3能体察身份与处境,L4能应对多人交谈,L5则是基于深度关系的沟通,理解长期上下文与关系演变,让沟通“从理解当下走向理解一个人”。

听着像路线图,背后其实是工程账。用户中途改主意,系统得跟着调;前台还在聊,后台已经去推理、搜索、调工具。声网在现场展示的“快慢脑”多模型协同架构,就是让交互模型在前端维持实时对话,后台模型同步办事。
以此为基础,声网推出Conversational Agent System,提出分布式实时推理云方向;面向电话场景推出涵盖流程编排与监控的Call Agent,以及面向开发者的SDK、Skills、CLI和Recipes。
商业层面也有回响。Agora, Inc. 2026年第二季度财报显示,当季总营收4042万美元,同比增长18%,超过此前指引高端;GAAP净利润220万美元,连续七个季度实现GAAP盈利。赵斌说,实时互动与对话式AI两大业务板块都保持强劲增长。
但这份财报更像“站稳了”,还不是“赢麻了”。声网卖的不是一个单点API,而是一套实时系统工程。护城河在工程细节里,天花板也在场景碎片化里。模型厂商、云厂商、终端厂商都在下场,声网必须证明自己不是旧瓶装新酒。
04 三张考卷,都考那几秒
技术架构再漂亮,最后都得拿到业务现场挨打。声网把攻坚重点放在AI教育、AI社交和AI客服,三张考卷的共通题,都是用户开口之后那关键几秒钟。
教育领域,AI占比正在抬升。艾瑞咨询估算,2023年中国在线教育市场规模约2628亿元,AI贡献率约7%,预计2027年达到16%左右;教育智能硬件市场规模约512亿元,AI贡献率约11%,预计2027年升至37%。
EF旗下HyperClass线上课堂已在声网RTC技术支撑下平稳运行五年,Efekta Coach能按既定教案独立讲完一堂课,从语音讲解、白板标注、角色扮演到课后报告一气呵成。巴西巴拉那州教育部对75万名学生周考成绩的调研显示,使用“老师加Efekta系统”后,优秀学生比例从39.1%升至51.8%。
技术负责人邵晓文提到,实际应用中最慢的环节不是大模型本身,而是判断学生到底有没有说完。学英语的人停顿很自然,打断时机错了,体验就垮。
声网RTE产品经理梅荣军还展示了一个反常识反馈:有客户接入声网对话式AI引擎后发现,学生对着AI反而更敢开口,因为社交压力小。多邻国公开数据显示,上线AI角色实时语音对话后,产品DAU提升40%。
社交与陪伴更热。声网联合RTE开发者社区发布的《2025对话式AI应用场景热力榜单》中,AI语音助手、AI社交与陪伴、AI潮玩位列前三;MiniMax Chat、星野的语音对话功能背后都有声网技术支撑。
硬件端,毛绒AI潮玩“芙崽”声音衰减明显、使用环境嘈杂,对降噪、打断和延迟要求极高。珞博智能与声网团队共创13个月,从架构设计、降噪优化到成本压缩,每周开会碰进度。2025年底芙崽出货量突破12万台,单个用户平均对话时长接近50分钟;截至2026年6月,国内累计销量近30万台。
客服领域,钱也在往里涌。Gartner 2026年4月至5月对199位客户服务与支持负责人的调查显示,AI方面支出增长38%,整体预算仅增长2%;受访者预计两年后生成式AI聊天机器人将成为最有价值的服务渠道。冠客科技创始人耿祥磊直言,延迟和打断时机甚至会直接左右任务结果。声网Call Agent方案覆盖线路配置、流程编排到部署监控全链条。泰坦启明CEO吴侃也补了一句:AI招聘场景里,对话式AI的价值是帮企业触达更多求职者,不是简单取代人工。
三张考卷看下来,对话式AI拼的不是“能不能答”,而是“开口之后那几秒稳不稳”。稳了,才有资格谈替代和增效。用户不会给第二次机会,行业也不该拿“模型很聪明”当遮羞布。
05 桃李财经的思考:声网需要新确定性
对话式AI越往实时走,越绕不开网络、音频、终端和工程化这些“脏活累活”,这恰好是声网十几年攒下的家底。
但优势的另一面就是压力。模型厂商自带实时API,云厂商往下压,终端厂商往上游,价格战和定制化会同时挤压利润。连续七个季度GAAP盈利说明基本盘稳住了,但远没到可以松口气的时候。教育、社交、客服之外,电话、硬件、招聘这些长尾场景能不能标准化,决定了它是“项目制生意”还是“规模化底座”;数据合规、隐私和成本,也都是绕不过去的坎。
回到教育场景,这个确定性其实很具体:学生开口那几秒,AI能不能接稳;老师讲完那一句,AI能不能补上;课堂节奏会不会因为一次延迟、一次抢话就垮掉。教离不开AI,育离不开人。AI能把知识点讲得更透、反馈更快,但课堂里那种“被接住”的感觉,最后还是要靠实时系统在背后兜着。
所以,声网的故事不该讲成“AI概念股”,而该讲成“实时系统工程的复利”。1万亿分钟是过去,能不能把这张网变成对话式AI的确定性体验,才是下一关。
部分参考资料:
1. 《iRTE2026:声网CEO赵斌提出五级对话能力框架,实时互动迈入对话AGI时代》
2. 《声网发布对话式AI引擎 AI对话1分钟不到1毛钱》
3. 《艾瑞数据 | AI+教育市场规模》
4. 《一场持续13个月的共创实验:珞博智能&声网如何定义AI陪伴》
4001102288 欢迎批评指正
All Rights Reserved 新浪公司 版权所有