当AI比人还会说话，声网在铺一条看不见的路

身处AI时代，你一定遇到过这样的时刻：对着语音助手说完一段话，那个光圈转了两秒才慢悠悠地开口；你中途想改口，它却像没听见，坚持把上一段说完；你语气已经不耐烦了，它还在用同一种温柔腔调念稿子。

在学会了说话之后，AI似乎撞上了一堵看不见的墙。这堵墙与聪明无关，它叫“实时”。于是，全球AI厂商的竞争焦点从“生成更拟人的语音”，转向了“参与一场正在实时发生的互动”。

2026年也被普遍视为Voice Agent从试点走向规模化的关键一年。当所有人都在让AI“开口说话”，谁来解决“说得自然、听得明白、接得顺畅”的最后一公里？

1.“实时交互”的AI下半场

把过去两年半的关键节点排成一条线，节奏快得有点不真实。

2024年5月，GPT-4o用原生多模态把实时语音对话变成现实；同年10月，OpenAI发布Realtime API，又于去年8月正式从演示走入了生产环境。

真正的加速发生在今年：5月和7月，GPT-Realtime-2和2.1把实时推理、工具调用与流式转写塞进语音模型；9月15日，Gemini 3.8 Live让“对话”与“深度思考”并行，一边聊一边把任务做下去；10月15日，GPT-Live与Decisions的组合实现了“用户仍在说，Agent已经行动”。

商业端的信号更直接。企业级语音Agent公司Sierra今年5月完成9.5亿美元融资，投后估值158亿美元，更关键的是，这家成立仅三年的公司披露其ARR（年度经常性收入）已超1.5亿美元，且计费方式从传统的“按消息量”转变为“按解决了多少问题”结算。

资本往往比技术更早闻到味道。Grand View Research的数据显示，全球AI语音智能体市场2025年约25.4亿美元，2033年将增至352亿美元，2026至2033年复合增长率39%；而仅今年一季度，AI语音初创公司的融资额就约70亿美元，去年同期还不足10亿美元。一年之间，七倍之差。

在创业生态中，OpenAI CTO Mira创办的Thinking Machines Lab发布了Interaction交互模型，引领了从端到端单模型向“快慢脑”范式的转变；海外公司Tavus推出的Griffin模型，在真人测试中让48%的用户误以为对面是真人；创业公司Instinct则通过短信和电话实现了Zero-UI的个人助手。

与此同时，行业的残酷洗牌也在同步进行，Chapter AI申请破产保护，而中国政府也推出了全球首个AI情感陪伴和拟人化互动服务的国家级监管规则。

正是在这样技术爆发与商业重塑交织的节点上，连续举办十二届的RTE大会正式升级为iRTE。多出的这个“i”，精准地宣告了实时互动从传递信息走向承载智能的代际跨越。

2.一个"i"的重量

2015年，第一届实时互联网大会的名字叫RTC。那时国内几乎没有专门的实时音视频服务，是一群对技术有执念的开发者，把WebRTC这件事带进了中国。2016到2019年，移动互联网起风，实时音视频从直播间的连麦，一路长进社交、教育、会议；2020年，RTC升级为RTE，“实时”从一项技术延伸到一整片场景。今年，RTE前面多了一个i，变成iRTE——实时智能。

"i"释义的是RTE边界的两次延伸：互动对象，从人与人扩展到人与Agent；互动内容，从传递信息走向承载智能。

判断一场大会是不是行业风向标，最省事的办法是看名单。

本届大会共开设了15+论坛、100+场深度演讲。模型层，Kimi、MiniMax、阶跃星辰、面壁智能、模思智能、生数科技等国内头部大模型公司集中到场；场景层，美团、阿里ATH、Rokid、Soul、HOLLA、EF英孚、伴鱼等带来客服、硬件、社交、教育的落地实践；基础设施层，声网、博通集成、瑞芯微等把芯片、端侧与实时网络摆上台面。

在技术纵深上，“对话式AI技术专场”由西北工业大学教授谢磊与声网多模态负责人吴渤联合出品，直击“互动即智能”的核心。大会的议程设置高度聚焦于三个产业痛点：

首先是模型怎么从“会说话”到“会互动”。阶跃星辰杨学锐探讨了下一代交互模型，Soul王新升带来了“为实时交互而生”的语音合成模型Loxi-Speech，香港中文大学（深圳）李明教授则分享了复杂多人场景下的目标人声抽取技术。

其次是智能体怎么从“能对话”到“办成事”。在企业级客服智能体专场上，声网Call Agent产品经理黄哲剖析了成本与转化，美团高级技术专家徐俊拆解了B端挑战，阿里ATH资深架构师施新华讲述了智能客服Agent的自进化。圆桌论坛更是直接以“AI Agent上岗”为题，探讨业务闭环。

最后是硬件怎么从Demo走向增长。智能硬件专场中，小佩施云磊分享了如何将AI放到宠物身上，宇视科技蒋成元探讨了视觉能力进入家庭的路径，Jellop王丽君则发问海外众筹市场中哪些AI硬件真正让人愿意掏钱。

能不能互动、能不能交付结果、能不能卖出去——三个问题对应产业链从上至下的三个层次。一场大会把这三个痛点讲完，才当得起“风向标”一名。

在两场重量级圆桌中，行业共识进一步凝聚。

Agora 联合创始人Tony Wang主持的“个人智能体”圆桌指出，AI产品的价值正从争夺注意力转向帮用户完成任务；华建新认为未来入口未必由单一设备独占；Eugene Wei则强调“上下文为王”，个人智能体必须理解用户的社会关系与长期记忆。

声网首席商业官崔博主持的“对话式AI驱动”圆桌则聚焦落地，斜跃智能创始人陈伟、Rokid联合创始人蔡国祥、冠客科技创始人耿祥磊、泰坦启明CEO吴侃分别就具身智能、AI穿戴、语音座席和AI招聘等场景，探讨了延迟、打断、拟人化以及大规模触达等真实业务挑战。

3.撑起名为“实时”的桥梁

如果说模型公司负责“大脑”，那么总得有人负责“神经系统”。这个角色，声网做了十二年。

少有国内大众注意到，2024年10月OpenAI发布Realtime API全球首个端到端多模态API时，声网的海外主体Agora就是其合作方。这不是偶然的站队，而是十二年技术积累在新一轮周期里的自然兑现。

声网创始人兼CEO赵斌的判断是：对话式AI正驱动RTE从“正常对话”迈向“声情并茂”。这四个字既是技术指标，也是产品哲学。它承认了一件事：人跟人说话，从来不只是交换信息。

为了量化这种进化，赵斌还提出了“五级对话能力框架”：从L1基于自身视角的被动表达，到L2基于互动规律的主动连贯，再到L3基于个体认知的因人而异，进而到L4基于群体认知的复杂多人沟通，最终达到L5基于深度关系的思维默契。这五级框架，为行业从“理解当下”走向“理解一个人”提供了清晰的标尺。

这条产品线也不是今年才起步。从2023年10月全球首个支持AI语音的AIGC RTC SDK，到2024年10月支撑起OpenAI的Realtime API，再到2025年3月的对话式AI引擎、10月的引擎2.0及Studio，直到今年10月的Call Agent与实时AI开发工具包。三年时间，它跑出了亿级通话量，客户名单里既有MiniMax、商汤、智谱这样的模型公司，也有珞博智能的AI玩具芙崽、美团Keeta与满帮货运的AI客服。

声网在模型侧的选择更值得说，它没有押注某一条路线，而是把三条路拼成一个混合系统——Agora Conversational Model。感知系统负责VAD、回声消除、流式ASR、声音事件理解与说话人分离；全双工对话响应系统负责流式推理、工具调用、长期记忆与大/小脑分工；表达模型用Context TTS把语义还原成语气。

三合一的好处是容易接进业务系统、扛得住复杂Agent工作流，代价是模型之间的配合与工程复杂度。不过相辅相成之下可以做到持续聆听的互动感知、及时回应的意图判断、正确行动的语义运用，让模型、互动和实时网络协同，让系统“更会说话”。

依托这一路线，声网推出了以全双工交互为核心的对话式AI引擎，实现端到端响应延时50ms级、极限打断响应340ms；并发布了R1系列、R1-4G、R2等对话式AI开发套件，以及面向开发者的Agora Agents SDK、Skills、CLI工具等矩阵。

这一切的底座，是声网SD-RTN全球300+数据中心的智能路由。其Web SDK在复杂弱网下可承载700Gbps峰值、单频道最大23万并发，将加入频道的RTT从7个压缩至2个。在MrBeast超级碗直播案例中，声网独家技术支持了单频道峰值并发58.2万人、带宽峰值2.76Tbps的极限考验，在覆盖213个国家和地区、连续运行72小时的情况下，首屏推流延迟不到1秒。

放眼未来，AI眼镜出货量在2026年预期超千万级，Salesforce全面转型Agent驱动，WebRTC也正从浏览器能力进化为AI与人互动的基础技术栈。可以预见，产业分工正在变得清晰，大脑可以一月一换，神经却不能断上一秒。当行业从“谁的模型更聪明”转向“谁的体验更自然”，比拼的就不再是榜单，而是不性感的、长周期的、必须靠时间垒起来的底座能力。

Voice Agent的竞赛刚刚开局，基础设施的排位战却早已打响。当Agent成为实时互动网络中的新参与者，iRTE2026既标注了行业下一程的走向，也见证了一家基础设施公司的再一次自我重写。