西風 發自 凹非寺
量子位 | 公眾號 QbitAI

WAIC現場，這個展臺被觀眾擠爆了！

湊近一瞧，好家伙，展臺里擺滿了各式新奇的“AI玩具”，它們有個共同點——

全都能實時與玩家流暢對話，延遲極低

比如這款“AI毛球”，活脫脫一個電子寵物，不僅能實時理解你的話語，還能默默陪伴左右，提供滿滿的情緒價值：

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

此外，現場還有數字人全息倉、能對話的卡皮巴拉等，賺足了觀眾眼球：

其實它們有個共同的“幕后推手”，這些產品的實時對話能力，全都依托于聲網的對話式AI引擎

更值得一提的是，聲網剛宣布，他們的對話式AI引擎已完成全新升級

新增選擇性注意力鎖定功能，讓它在嘈雜會場也能精準捕捉你的聲音，實現“只聽你說”；同時新增視覺理解能力；還能與主流數字人方案無縫集成

一句話概括，新版對話式AI引擎，變得更“耳聰目明”了。

要知道，聲網是做RTE（Real Time Engagement，實時互動）技術起家的，在音視頻處理和實時通信領域深耕多年，現在轉身做多模態AI交互，屬實是“專業對口”，一出手就有狠活。

這次對話式AI引擎升級背后到底帶來了哪些AI交互新體驗？接下來就為你詳細揭秘。

三大升級，AI聽得準看得清

量子位拿到demo app，直接體驗了這波升級。支持事先調整預設

聽力開掛：嘈雜環境里只聽你的話

使用對話式AI第一步，自然是考驗它能否從各種干擾中準確識別出用戶的指令，這直接決定了AI對話體驗的好壞。

聲網新版對話式AI引擎的第一個殺手锏，就是選擇性注意力鎖定功能。

剛開始對話時屏幕上就會提醒用戶“在對話初期大聲、清晰地說話”，由此它就會將你的聲音鎖定

在后續對話中面對環境人聲和噪聲干擾，它能夠根據鎖定用戶的聲紋特征精準識別，屏蔽95%的干擾。即使在復雜的聲音環境中，它也能準確捕捉到你的每一個指令。

來看實測對比，當用戶在對話初期沒有大聲清晰地說話，導致聲音未被鎖定時，AI常會受到周圍的環境人聲、電視聲、音樂聲干擾，出現誤識別或響應延遲的情況。

（PS：我們同時播放電視劇、歌曲、短視頻作為干擾。）

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

而開啟選擇性注意力鎖定后，即使旁邊有其他人在交談或音頻播放，AI依然能夠精準鎖定目標用戶的聲音。

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

詢問旅游規劃等需要它長時間回答的問題，它也不會因為環境干擾音而終止或是暫停對話：

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

視覺理解，實時看圖識物

如果說聲音識別是AI的“耳朵”，那么視覺理解就是AI的“眼睛”。而最新版引擎為AI也實現了這樣的能力，可以實時看圖識物

就像和真人打電話一樣，打開攝像頭即可使用：

我們向它展示了一張房間平面草圖，它不僅能夠正確識別出這是什么，還能準確指出設計中的結構特點，額外提出了一些注意事項。

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

當我們展示一張技術報告中的圖表時，它同樣能夠理解其中邏輯，并用自然語言解釋。

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

測試中我們還發現，聲網新版對話式AI引擎具有很強的上下文感知能力，當我們連續提問幾個問題后，它能夠理解問題之間的關聯性，并給出連貫的分析。

數字人支持，對話更有“人情味”

第三個重要升級是數字人功能。

據介紹，新版引擎支持與主流數字人方案的無縫集成，包括商湯數字人等業界領先方案。

在預設中即可挑選配置：

在與數字人的對話中，它不僅能夠準確響應語音指令，還能通過面部表情和肢體語言傳達更豐富的信息

當我們詢問復雜問題時，數字人會露出思考的表情；在解釋概念時，還會配合手勢動作，整個交互過程自然流暢。

例如詢問“出門露營要帶些什么東西？有什么注意事項？”數字人立馬繪聲繪色講解：

視頻鏈接：https://mp.weixin.qq.com/s/hjGitmrcspKgXYxVCQKOqQ

這種情感同步讓人機交互體驗更加自然真實。

總之，聲網此次對其對話式AI引擎的升級，通過融合多模態打造了更加沉浸式的AI實時交互體驗，而這也正是其技術實力的集中展現。

接下來劃重點：這種能力可輕松接入DeepSeek等任意大模型。只要與OpenAI接口協議兼容，就能原生支持，且接入僅需兩行代碼

并且價格更是低至每分鐘0.098元，還不到一毛錢。

這么多眼熟的應用，背后竟都有它

實際上，聲網首版對話式AI引擎早在今年3月份就上線了，憑借效果優、開發接入極簡、靈活性強，已在各行各業落地。

你可能都沒發現，我們日常熟知的不少AI應用，背后都有它

在教育領域，豆神AI近期宣布將推出AI超擬人多對一直播課，課程采用真人教師與AI教師“雙師”協作體系，實現千人千面的定制化訓練與輔導，精準契合不同學生的學習需求。

在聲網對話式AI引擎的加持下，AI教師能夠在AI實時訓練體系、課堂答疑、情境創設、AI實時判卷等環節中，全程與學生展開低延時、自然流暢的對話交互。

聲網技術支撐不僅保障了AI語音交互的實時性和穩定性，更讓學生在與AI教師的互動中獲得如真人般自然的學習體驗。

智能硬件領域，更是令人眼前一亮。

我們前面所展示“AI毛球”是Robopoet珞博智能所打造的首款AI情感陪伴產品“芙崽Fuzozo”。

傳統陪伴機器人常給人冷冰冰的機械感，難以讓用戶產生情感聯結。而芙崽不同，用戶每日互動中可與芙崽積累親密度，由此孕育出的每只芙崽都擁有獨特性格，與用戶形成獨一無二的專屬情感羈絆。

通過與聲網的合作，芙崽AI交互的實時性和穩定性得到大幅優化。與此同時，聲網的端到端解決方案，也從軟硬件全方位為珞博智能提供支持。

同樣令人印象深刻的，還有Enabot（賦之科技）的智能家庭陪伴機器人EBO Air 2 Plus

Enabot與聲網合作，依托聲網的對話式AI引擎技術，EBO能精準識別用戶的打斷意圖，即便周圍環境嘈雜，也能鎖定對話人聲，確保識別準確；同時，借助聲網高質量的實時音視頻服務，它還支持雙向視頻通話，用戶無論身處全球何地，都能與家人實現零距離視頻交流。

除此之外，無論是MiniMax Chat星野的語音對話功能，還是智譜清言的視頻通話功能商湯商量的實時音視頻交互，背后統統都有聲網的技術支撐。

從娛樂聊天到知識問答，聲網的技術方案已覆蓋廣泛場景。

這些成功應用案例不僅證明了聲網對話式AI引擎在不同場景下的適應性和實用性，驗證了其技術的可靠性，也為更多企業提供了可借鑒的落地經驗。

那么為何大家都選擇了聲網？大概是源于聲網多年的RTE基因。

用RTE基因重塑AI交互體驗

近期國內外AI廠商持續加大多模態領域的投入，融合視覺、語音等能力的AI應用不斷涌現，再加上WAIC現場的種種跡象，一個趨勢非常之明顯：

單一模態的AI交互正在成為歷史，多模態AI交互已是明確的未來方向。

用戶不再滿足于只能“聽”或只能“說”的AI，更期待的是能夠像人類一樣，通過視覺、聽覺等多種感官實時理解世界的智能體。

作為實時互動技術領域的領軍企業，聲網在多模態AI交互方面天然具有技術優勢。多年來在RTE領域的深耕，為其積累了豐富的音視頻處理、低延遲傳輸、多媒體融合等核心技術能力。

更關鍵的是，聲網做多模態AI交互不是技術的簡單疊加，而是始終致力于提升對話式AI的交互體驗。每一個功能升級背后，都指向同一個目標：

讓AI對話更具真實感和自然感

無論是選擇性注意力鎖定帶來的精準語音識別，還是視覺理解賦予AI的觀察能力，抑或是數字人支持創造的情感化交互，這些功能都解決了用戶在實際使用中遇到的真實痛點。

這種以用戶體驗為核心的產品思路，可能比單純追求技術指標更能決定產品的市場競爭力。

可以預見，隨著多模態AI應用的普及，那些能夠提供低延遲、高穩定性、自然交互體驗的技術平臺，將在下一輪競爭中占據更加有利的位置。