智东西（公众号：zhidxcom）
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。
//oss.zhidx.com/uploads/2025/03/67c9647644121_67c964763beff_67c964763bed1_ScreenRecording_03-06-2025-16-50-57_1.mp4
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。
