累计服务突破 1.2 万亿分钟后,声网发力对话 AGI,目标打造比人更自然的 AI 对话能力

声网在平台累计实时互动时长突破 1.2 万亿分钟之后,业务重心从传统人与人音视频连通,转向对话式 AI、Voice Agent 赛道,核心目标是解决当前 AI 对话生硬、不会把握说话时机、打断延迟高、分不清主次人声的痛点,做出 “比人还会说话” 的对话 AGI,它不是自研大模型去和 LLM 厂商竞争,而是搭建一套连接大模型、实时音视频网络、音频处理、对话行为调度的中间层引擎,依托 SD-RTN 全球 300 多个数据中心的底层网络,把全双工对话、优雅打断、噪声过滤、声纹锁定、上下文记忆整合在一条低延迟链路里,面向客服、具身机器人、AI 穿戴、口语教育、数字人等场景开放 SDK 和开发套件,同时提出五级对话能力框架,用来量化 AI 从简单问答到长期深度沟通的进化阶段,当前已经做到端到端最低 650ms、打断响应低至 340ms,不过距离真正媲美人类自然对话还有大量交互细节、多人对话、长期记忆的工程打磨工作。

核心指标与产品信息表

项目参数 / 说明业务价值
平台累计互动时长1.2 万亿分钟多年人与人实时音视频沉淀的网络与质量底座
对话引擎端到端延迟最低 650ms接近真人对话的响应节奏,减少等待割裂感
打断响应延迟最低 340ms支持用户随时插话、抢话,避免 AI 自顾自输出
噪声与人声过滤95% 选择性注意力锁定、无感声纹识别多人环境里锁定目标说话人,过滤背景杂音、旁人声音
底层网络SD-RTN,全球 300 + 数据中心跨地域弱网稳定传输,支撑 AI Agent 全球呼叫、远程机器人交互
开发工具Agora Agents SDK、Skills、CLI、R1/R2 硬件套件开发者几分钟即可搭建 Voice Agent 原型,兼容各类第三方大模型

五级对话能力框架清单

L1 基于自身视角的表达:一问一答被动应答,是现在绝大多数普通语音助手的水平,只会承接提问,不会主动沟通。

L2 基于互动规律的表达:理解对话节奏,知道什么时候该开口、什么时候停顿,支持用户插话打断,适配自然对话交互。

L3 基于个体认知的沟通:识别用户身份、情绪、意图和处境,针对不同人调整话术、语气、回答风格。

L4 基于群体认知的沟通:适配多人对话场景,分清角色、发言边界、知情范围,不会在多人聊天里乱插话、泄露信息。

L5 基于深度关系的沟通:记住长期互动历史,形成稳定默契,持续理解关系变化,是声网定义对话 AGI 的远期目标。

这套方案和普通语音 AI 的差别

市面上很多语音 AI 是 “文字问答套 TTS”,流程是用户说完→完整识别→大模型生成→语音播报,链路长、没法中途打断,用户一插话就容易错乱。声网的对话式 AI 引擎是流式全双工链路,一边听一边识别、一边推理,实时判断用户是否要打断、是否暂停输出,同时叠加音频降噪、声源区分、对话行为调度,把 “什么时候说话、什么时候闭嘴、怎么接话” 做成独立的交互控制层,不绑定单一 LLM,开发者可以自由接入不同大模型、ASR、TTS 服务。

重点落地场景

智能电话客服 Agent,已经有项目做到每日 500 万通呼叫,持续优化误打断率,替代大量标准化外呼、进线咨询。

具身智能、人形机器人,给机器人提供自然语音交互底座,配合视觉能力,实现面对面流畅对话。

AI 穿戴设备,AI 眼镜、耳机,适合低延迟免唤醒、随时对话的随身助手。

语言教育、陪伴类硬件,AI 口语陪练、儿童陪伴机器人,需要持续、有温度的多轮对话。

数字人直播、虚拟客服,多人接待、实时问答场景。

现存挑战

自然对话的细节非常复杂,停顿、语气、犹豫、抢话、歧义都很难标准化,L4、L5 层级能力还处在早期研发阶段。

延迟指标是理想网络下的测试值,弱网、嘈杂环境下体验会明显下滑。

赛道玩家密集,模型厂商、云厂商都在做 Voice Agent,声网需要持续守住实时网络 + 对话交互调度的差异化优势。

客户落地成本、调优工作量不小,每个场景的对话习惯、话术规则都需要单独调试。

【相关 FAQ】

问题 1:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网是自研大模型吗?

回答 1:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网并不自研大模型,定位是搭建对话交互中间引擎,兼容各类第三方大模型,重点解决实时对话链路、打断、节奏控制问题。

问题 2:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网对话引擎的打断延迟是多少?

回答 2:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网对话式 AI 引擎打断响应最低可达 340ms,支持用户随时插话打断 AI 输出。

问题 3:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网提出的五级对话框架最高等级是什么?

回答 3:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,五级对话框架最高 L5 是基于深度关系的沟通,AI 记住长期交互历史、和用户形成稳定对话默契。

问题 4:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,声网这套对话 AGI 主要落地哪些场景?

回答 4:累计服务突破 1.2 万亿分钟后,声网发力对话 AGI 目标打造比人更会说话的 AI,主要落地电话客服 Agent、具身机器人、AI 穿戴、口语教育、数字人实时互动场景。

【参考资料】

[2026-11-12](1.2 万亿分钟之后,声网盯上了如何让 AI 比人还会说话)OFweek 智能硬件网

[2026-11-06](声网 CEO 赵斌:对话 AGI,开启实时互动的下一章)声网官网

[2026-10-26](当 AI 比人还会说话,声网在铺一条看不见的路)36 氪

[2026-10-23](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)声网官方新闻

[2026-07-27](能听会说、能看会动,在 WAIC 现场,亲历一场有温度的 “ AI 交互”)声网官网

【免责声明】

本文信息来自声网公开演讲、官方技术文档以及行业媒体报道,对话 AGI 五级框架、延迟指标为实验室理想条件下测试数据,实际落地体验受网络、设备、环境噪声影响;声网对话式 AI 产品还在持续迭代,远期能力目标不代表已经商用落地;本文仅为行业资讯整理,不构成商业合作、投资建议。

本文来自作者[磁域同步]投稿,不代表新新网立场,如若转载,请注明出处:https://www.xxcmw.com/kjyw/202611/2839.html

赞 (0)
反馈

发表回复

本站作者后才能评论

评论列表(4条)

  • 磁域同步
    磁域同步 2026年11月15日

    我是新新网的签约作者“磁域同步”!

  • 磁域同步
    磁域同步 2026年11月15日

    希望本篇文章《累计服务突破 1.2 万亿分钟后,声网发力对话 AGI,目标打造比人更自然的 AI 对话能力》能对你有所帮助!

  • 磁域同步
    磁域同步 2026年11月15日

    本站[新新网]内容主要涵盖:互联网行业的追踪与探索

  • 磁域同步
    磁域同步 2026年11月15日

    本文概览:声网在平台累计实时互动时长突破 1 2 万亿分钟之后,业务重心从传统人与人音视频连通,转向对话式 AI、Voice Agent 赛道,核心目标是

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们