作者｜徐珊
編輯｜靖宇
浪潮之下，AI 語音正以前所未有的速度奔涌。當大家期待 AI 能「聽懂」言語，「理解」人心時，AI 產業與技術準備好了嗎？
10 月 31 日，由聲網與 RTE 開發者社區聯合主辦的 Convo AI & RTE 2025 第十一屆實時互聯網大會在北京正式開幕。本屆大會以「AI 有聲」為主題，匯聚全球頂尖專家，探索實時互動（RTE）與對話式 AI 的深度融合之道。
聲網創始人兼 CEO 趙斌在開場演講中宣布了一個里程碑：聲網年度服務分鐘數首次突破 1 萬億分鐘，標志著 RTE 技術已成為數字社會不可或缺的基礎設施。
Deepgram 和 Opus Research 調研顯示，67% 的企業已將語音 AI 智能體置于戰略核心，84% 的企業計劃在未來一年增加相關投入。聲網對話式 AI 相關用量在 2025 年第三季度實現 151% 的環比增長，展現出強勁的市場需求。
對話式 AI 正驅動 RTE 完成從「正常對話」到「聲情并茂」的關鍵躍遷。在這一浪潮下，ARK Invest 預測 AI 陪伴賽道將擴張至 700-1500 億美元——對話式 AI，已然成為下一代 AI 基礎設施的核心組成部分。
如何教 AI 聽懂人話？
在實時互動技術步入「萬億分鐘」時，聲網正推動一場從「連接」到「對話」的變革。
作為實時互動領域的基礎設施構建者，聲網對 AI 語音的認知早已超越單純的技術連通，而是聚焦于如何讓 AI 真正「聽懂」人類語言背后的情感與意圖，尤其是多模態大語言模型的成熟為 AI 裝上了 " 新大腦 " 之后，如何將其理解能力更好地發揮出來，成為關鍵。
聲網創始人兼 CEO 趙斌在 RTE2025 大會上指出，當前 AI 對話體驗面臨的核心矛盾在于：人類對話中僅有 7% 的信息來自語言內容，超過 90% 的信息感知依賴于語調、表情和肢體語言等非語言要素。想要做好人機對話，就要教會 AI 看到這些「言外之意」，并且能夠從中分析到說話人的真正意圖。
在趙斌看來，對話式 AI 正驅動 RTE 從「正常對話」向「聲情并茂」的關鍵躍遷，這不僅是技術升級，更是交互范式的本質轉變。
在「聽懂」層面，聲網的對話式 AI 引擎 2.0 實現了技術飛躍。通過多模態融合，它不僅能處理音頻，更新增了聲紋識別、數字人與視覺理解功能，讓 AI 能夠識別說話人的身份特征、感知環境畫面信息，將單純的聲音信號升級為有上下文的「場景數據流」。并且，聲紋識別功能賦予 AI 精準識別用戶聲紋特征的能力，可智能屏蔽環境噪聲。
而在最核心的「理解」層面，聲網通過上下文管理、情感理解等系統化方案，主要捕捉那 93% 的非語言信息。
對話式 AI ，將從三大場景率先突圍
從技術到應用，聲網正推動對話式 AI 在多個關鍵場景中規模化落地。趙斌指出，對話式 AI 將在情感陪伴、智能硬件、在線教育三大場景中率先實現規模化落地。
聲網認為，在情感陪伴場景中 AI 正成為緩解現代人孤獨感的新載體，備受人們關注，像珞博智能的 AI 毛絨寵物「芙崽」通過長期記憶系統，能夠感知用戶情緒變化并主動召回快樂記憶。
在教育領域，盒智科技 CTO 張昊還介紹了其產品 LOOKEE 口語俠搭載的 AURA 動態調控系統。該系統能異步分析孩子的情感狀態、內容理解度、對話積極性等多維數據，并實時調整對話策略、語速語調甚至設備表情，目的是讓孩子「能聊下去、愛聊下去」，從根本上提升產品的完課率和留存率。
在 RTE2025 大會的 AI 硬件專場上，小匠物聯的創始人米雪龍還分享了他們對 AI 與硬件融合的深刻見解。他認為，未來的智能硬件將不再是簡單的功能執行者，而是能主動理解人、并與用戶建立情感鏈接的「陪伴者」。
誰在用對話式 AI？
在聲網 RTE2025 大會主論壇之外，外面的展區同樣人流如織，我帶著對 AI 有聲的好奇，親身感受 AI 音頻技術在不同場景下迸發的活力。也更真實地意識到，想要讓人和 AI 之間流暢地對話，并沒有那么簡單。其中，大家更多討論的兩個問題是，AI 如何理解人類的斷句，以及當有多個 AI 語音智能體打開時，AI 如何判斷我是在和自己對話。
對于前者，聲網聯合打造了 TEN.VAD 語音活動檢測 AI 模型，不但能夠在真實案例中將音頻傳輸數據量減少達 62%。而且還能快速檢測語音與非語音之間的切換，降低人際交互的端到端延遲和打斷延遲。對于后者，目前暫未看到比較好的解決方案。
除了軟件問題，我們還觀察了不同場景下的 AI 語音功能會有哪些不同。首先是 AI 教育展區，盒智科技推出的 LOOKEE 口語俠，是一款幫助孩子進行英語口語學習的 AI 硬件。他們引入了自研的 AURA 動態調控系統，可分析孩子的情感狀態、內容理解度、對話積極性等維度。基于這些數據實時調整對話策略，從而實現真正的個性化教學，讓語言學習從枯燥的任務轉變為自然的交流過程。在語音設置上，他們主要選擇了幾個典型人物聲音和一些兒童 IP 的聲音提高孩子們使用的興趣程度。
其次是 AI 硬件展臺，我們看到了 AI 潮玩產品「芙崽 Fuzozo」頗受歡迎。它不僅是毛絨玩具，更能通過語音進行自然對話，甚至有自己的「毛毛語」。工作人員介紹，其內置的多模態情感模型和長期記憶系統，能記住用戶的喜好和之前的聊天內容，就像一個真正的伙伴。據了解，這款產品退貨率遠低于行業平均水平。
我們還看到了 Lumu 機器人，是哈爾濱工業大學孵化的陸吾智能打造的桌面機器人。它可以簡單執行前進、跳舞，蹲下等基礎操作。
此外，我們還觀察到不少 AI 語音創企正在打造一些市場調研、AI 傳記編寫等軟件。比如說，ListenHub 想成為創作者的 AI 嘴替，主要為創作者提供真實自然的語音內容和服務，如數字人配音、播客、小說朗讀、有聲故事書等。通過數據積累和大規模的工程化，ListenHub 的 AI 系統能夠在 1-5 分鐘內將任意文本內容轉化為具備真實對話感的高質量音頻。ValidFlow.AI 通過 AI 研究員和全球用戶池的組合，可以更全面高效地做好用戶洞察，提高問卷回收分析。
目前，AI 音頻已遠遠超越了「聽清」的基礎要求，正向著「聽懂」、「感知情緒」和「創造沉浸」邁進。它正在悄無聲息地融入硬件、教育和日常交互的方方面面，一個更加智能、自然且充滿溫度的有聲世界，正在我們眼前緩緩開啟。
