在近日舉辦的第十三屆中國網絡視聽大會上，聲網AI產品線負責人姚光華帶來了題為《RTE+AI 雙引擎驅動視聽全域商業增長》的精彩分享。本文在不改變其原意的基礎上，對部分內容作了提煉，旨在給行業相關從業者帶來啟發。

以下為姚光華演講實錄：

去年此時聲網剛剛發布對話式 AI 引擎，但還停留在產品概念與技術實現。然而經過一年的不懈努力，聲網已經落地了大量客戶，催生出眾多音頻消費的創新場景。現場播放的典型客戶案例——珞博智能使用聲網對話式 AI 引擎打造的 AI 陪伴玩具芙崽Fuzozo，其數字靈魂完全來自聲網的產品能力，生動展示了技術商業化的成果。

過去10年，聲網主要聚焦人與人之間的實時互動；自2024年起，開始深耕人機交互（人與智能體的交互），并展望未來智能體之間的交互也將發生在實時互聯網之中。聲網的新名片清晰有力：RTE 解決連接，AI 解決理解，兩者合力解決增長。

大模型誕生后，AI“能不能說話”的問題基本被解決，但智能體“像不像人”仍未攻克。人與人交互的自然延遲必須低于200毫秒，低延時、自然打斷及環境感知能力，正是大模型無法獨立解決的底層技術。而這恰恰是聲網深耕十年的領域。

2024年8月，聲網用三頁PPT闡述了實時傳輸協議對比、對話式智能體的優雅搭建方式、開源與商業RTC的優劣。團隊經過兩個月狂奔，在國慶小長假第一天，聲網美國兄弟公司Agora 與 OpenAI 面向全球正式發布首個 Realtime API 。自此，全球開發者和企業都能將對話智能體、音頻智能體快速集成到自身應用中。

2025年3月，聲網發布第一代對話式 AI 引擎1.0，同年10月迭代至2.0，涵蓋模型評測平臺及 AI Studio 等一系列產品。今年3月10日，在貝爾接通歷史上第一通電話150周年之際，聲網在美國的兄弟公司 Agora 發布了電話客服智能體解決方案。

聲網對話式 AI 引擎早期落地的成功案例包括智能眼鏡、AI玩具，以及智譜清言、商湯商量、星野等客戶。今年，音頻消費從電視、手機、平板拓展至所有帶麥克風和揚聲器的設備——桌面機器人、具身智能機器人、對話式 AI 眼鏡、口袋小玩意兒，都成為承載音頻消費的新載體。

我給大家分享一個世界級案例：一位擁有6億多粉絲的頂流在美國春晚（超級碗）期間做直播活動，抽跑車和現金，同時在線人數達58萬。聲網兄弟公司 Agora啟用高清能力支撐了這場世界級直播，并實現主播與觀眾實時互動。

我也觀察到，視聽產業正在經歷第三次交互變革，從產品經理視角來看，交互迭代路徑已從“開發者用代碼調用 API ”到“產品經理用界面交互”，再到“大眾用文本交互”，如今語音已成為主流交互方式——只要會說話、聽得見，就能與語音智能體交互。未來加上數字人技術，可實現面對面交互。

從歷史演進看：最早是單向播放，觀眾只是觀眾；后來直播連麥興起，觀眾成為參與者；未來，越來越多AI Agent將參與其中，觀眾將變成對話者。從專業機構到UGC、PUC，創作智能體日益增多，AI原生交互時代必將到來。

本次大會的主題是“全球化，向世界講好中國故事”，越來越多全球視聽體驗的技術標準和產品標準正由中國企業書寫。聲網愿與在座各位共同努力，把中國的實時交互能力和AI能力帶到世界每一塊屏幕之上，讓世界聽見中國聲音，看見中國創新。