記者｜何己派

編輯｜鄢子為

一家上海公司，幫助DeepSeek像真人一樣開口說話。

3月上旬，聲網發布對話式AI引擎，只要兩行代碼，15分鐘，可令任意文本大模型“能說會道”。

這是個“新物種”。

按團隊所說，它擁有多項獨家功能，放眼全球，難找出對標的。對話1分鐘，成本不到1毛錢。

“之前，大模型都是文字輸入，將來，我們要讓大模型懂你。”聲網產品線負責人和利鵬說。

為了這次的新產品，聲網AI RTE產品線負責人姚光華向《21CBR》記者透露，從春節開始，公司瘋狂趕工，像高考一樣備戰，2月18日掏出Public Beta版本，這次的發布，已達到可商用狀態。

截至3月7日美股收盤，聲網市值為36億元人民幣。

黑屋作戰

DeepSeek爆火時，聲網的產品團隊，悄然啟動一場關鍵戰役。

春節期間，聲網內部調度不同部門的十幾位核心骨干，組建一個專門團隊，只干一件事：做一款能跟AI實時互動的工具產品。

早在半年前，這個想法就開始醞釀，順應DeepSeek掀起的這波浪潮，項目陡然提速。

“大家關在‘小黑屋’里，產品、研發等不同條線的負責人湊在一起，快速決策、快速推進。”姚光華形容，像是高考備戰，室內放著一塊白板，每天更新著倒計時日期，提醒所有人，必須一鼓作氣。

大模型從單一模態走向多模態，勢不可擋，語音被視為關鍵切入點之一。

做實時互動云服務起家的聲網，在音視頻領域有較深積累，期望將自家RTE技術與生成式AI結合，以新產品搶占制高點。

緊趕慢趕，除夕那天，對話式AI引擎上線Private Beta版本，首批開發者和客戶來了，做的第一件事，算意料之中——讓DeepSeek開口拜年。

對聲網而言，這款產品的意義不一般。

和利鵬告訴《21CBR》，聲網多年專注的，是人與人的交流，做對話式AI引擎，轉向人與機器的交流，且要做到實時互動，交流模式變了，底層的技術要求也不一樣了，“工程化落地上，存在很多挑戰。”

姚光華提到，讓AI語音秒回提問，模擬真人對話的節奏，隨時打斷AI，這些功能構想來自于客戶需求的抽絲剝繭，實際落地則需要邊走邊試，查漏補缺。

“比如對話人聲鎖定這個功能，就是靠客戶提出來的。”姚光華說，某種程度上，客戶是最好的導師。

拆解引擎

“之所以叫‘對話式AI引擎’，就在于我們不做Agent，只想構建對話式工具。”姚光華向《21CBR》強調。

定產品名字時，團隊一度考慮用“轉換器”，寓意接入即可令AI聽懂人說話，但最終拍板的是“引擎”。

這沒有“轉換器”聽上去通俗，但更能亮明聲網的態度：只提供能力，與大模型廠商合作而非競爭。

“大家都在說AI Infrastructure，我們認為，實時互動也是其中一部分。聲網的角色，就是AI Infrastructure里的交互。”和利鵬透露，公司跟國內幾家模型廠商都有合作。

他提到，大模型廠商自己從頭做交互，設備、網絡等各種要求很高。聲網做實時互動十幾年，方案和產品的成熟度高，更具優勢。

能讓大模型開口說話的“引擎”，拆解下來，有AI語音秒回、對話人聲鎖定、智能打斷、全模型適配等多項能力，姚光華說，轉化成產品語言就是四個字，“多快好省”。

其中，響應延遲方面，以毫秒為單位壓縮，中位數能達到650ms。

姚光華指出，市面上一些產品，宣傳能做到毫秒級，實際測量延遲很大。

對話體驗方面，“選擇性注意力鎖定”功能可屏蔽95%環境人聲、噪聲干擾，精準識別對話人聲，80%丟包率、斷網3-5s等情況下，保持穩定流暢對話。

開發部署上，程序員只需兩行代碼、15分鐘，填入與復制LLM與TTS相關的URL與Key后，就可實現快速部署。

至于外界關心的價格，聲網團隊有過激烈討論、反復商量，最終決定，AI語音對話0.098元/分鐘，自研的“智能打斷”功能作為增值服務，定價0.042元/分鐘。

此外，一次性增予所有開發者1000分鐘免費額度。

姚光華表示，經過一段時間的打磨及實際使用場景調研，團隊發現，用戶與AI每產生1次對話，平均會有約3輪問答，計算下來平均對話時長約為21.1s，單次成本為3分錢。

若每月對話次數15次，那么月成本不到5毛錢，年成本只要5元。

“這是個足夠便宜到大家用得起的價格。”姚光華說。

人機未來

對話式AI引擎，到底能做點啥？

和利鵬表示，開發者可部署的場景，包括智能助手、虛擬陪伴、口語陪練等，公司已落地十幾種場景，比較多的是陪伴類，智能硬件的需求也不少。

比如，讓能開口對話的DeepSeek陪伴孩子，應對他們天馬行空的十萬個為什么，同時交流像與父母對話那樣自然。

“小孩子想要的是快速互動，不在于答案是否足夠準確，而是先玩起來。”和利鵬說。

在他看來，實時互動從人與人的交互，走向人與機器的交互，對聲網深耕的RTE賽道而言，是個很大的延展。

“或許下一個變革，是所有觸摸式和鍵盤式的交互，都變成語音式。現在我們已經看到了一些苗頭。”和利鵬向《21CBR》表示。

姚光華說，關于AI Agent，去年李飛飛博士團隊寫了七八十頁的論文，團隊每個成員都要讀，大家最后總結的一句話，是“從感知到智能”。

其將Agent劃分為兩類，陪伴類Agent，主要為用戶提供情緒價值，服務類的，則提供智能價值，二者合而為一，再多一層時間價值，讓用戶效率提升。

由此，對話式AI引擎所推動的對話式Agent，橫跨模態感知和模態融合，是吸收以上三重價值的載體。

技術革新，轉瞬間天翻地覆。

和利鵬援引OpenAI產品經理所說，“AI時代，只要想通60%，產品就應該發布”，認為產品的發布必須緊跟技術走，及時進入市場檢驗，再根據反饋不斷迭代。

“現在這個版本，雖然不是任何場景都萬能，但用戶體驗已經達標。未來我們會繼續做好功能的橫向拓展。”姚光華表示。

DeepSeek引爆賽道，聲網團隊專攻音頻細分方向，至少可以喝到湯。

題圖來源:視覺中國