逛完声网 iRTE2026，我看到了实时 AI 更具体的样子

这两天在北京逛声网 iRTE2026，我最直观的感受是，实时 AI 开始有了具体的样子。

前几年逛这个场子，满眼都是音视频链路、编解码、网络抖动这些藏在屏幕背后的东西；

但今年，改名叫“iRTE2026 实时智能大会”之后，多出来的那个“i”，把整个场子的气质都拽到了台前。

机器人在地上走，机器狗在旁边转，可穿戴设备戴在手上，一台台看起来像消费电子展上的东西，偏偏每一台背后都连着一条实时互动的神经。

你伸手跟它说话，它会转头看你、回你一句，再接着做动作；屏幕里的 AI 也不只会听，它一边听一边看，能接住你的手势、表情和动作，声音、画面和回应是同时发生的。

这种「它在听、它在想、它要动」的连续感，在现场几乎随处可见。

实时互动正在从人与人，扩展到人与 Agent。

现场的工具包、工作坊和开发者作品，也让人看到，把一个实时 AI 的想法做出来，正在变得更容易。

01RTE到 iRTE，实时互动开始承载智能

大会改名这件事，放在别的行业可能就是个品牌动作；但在实时互动这个圈子里，名字的变化，往往对应着一层实实在在的技术升级。

2015 年，声网办了第一届实时互联网大会，那时候它叫 RTC 大会，核心命题是把声音和画面低延迟地送到对面；到了 2020 年，大会从 RTC 升级为 RTE，开始讲场景和体验。

到了 2026 年，大会又从 RTE 升级为 iRTE，多出来的那个“i”，是 intelligent，也是 instant。

它指向的是一层更根本的变化：实时网络不再只是信息的通道，而要为 AI 的感知、理解、表达和行动提供实时支撑。

从 RTE 到 iRTE，变化具体落在三个地方。

第一，AI 开始持续地听声音、理解画面。它不再等你说完一段话才开始处理，而是在你开口的同时就在听，在看摄像头捕捉到的表情、手势和环境。

第二，回应的方式变多了。以前是语音和文字，现在还可以有表情、动作，甚至实时生成的画面。

第三，用户的反馈能实时改变正在发生的内容。你随时可以打断、插话、换个话题，AI 都要接得住，而不是自顾自地把一段话说完。

说得直白一点，以前实时互动解决的是“你看见我、我看见你”，现在要解决的是“你开口的瞬间，AI 就已经在听、在想、准备接话，而且随时准备被你打断”。

声网 CEO 赵斌在主论坛上把这个判断讲得很清楚：实时互动技术的角色正在延伸，它不仅要让信息传得稳，还要为 AI 的感知、理解、表达与行动提供实时底座。

换句话说，iRTE 这个新名字不是在追风口，它是在给一个已经发生的工程现实命名。

02一次自然互动，背后需要怎样的系统

一次自然的互动，在用户看来只是「你说一句、它接一句」，但拆开看，背后是一整套需要实时运转的系统。赵斌在演讲里把它概括为三件事：

实时推理、实时编排，以及大规模全双工互动。

首先是实时推理，系统要持续处理声音和画面。

你说的话，要经过语音识别（ASR）实时转成文字；模型开始输出（也就是常说的“首 token”）之后，再由语音合成（TTS）把回答变成声音。与此同时，摄像头里的画面也要被持续理解：你的表情、手势、手里拿起的物体，都在上下文里。

在保障传输质量的同时，系统还需要处理更多事情：音视频要同步，语音和画面不能各说各话；视觉上下文要接得上；AI 要能调用工具查信息、做操作；最后还要把回应落到动作上，让屏幕里的形象或设备真正动起来。

其次是实时编排。

一次对话里同时在场的，往往不只有一个模型，还有记忆、工具和会话状态。系统要协调好这些部分：谁在说话、说到了哪里、该调用哪个工具、前面聊过的内容怎么记住。

第三是大规模全双工互动。

全双工意味着用户和 AI 可以像两个人打电话一样同时说话，用户随时可以插话、打断，系统要在不同网络、不同设备上都维持住这种持续交互。

在现场展示的全双工方案里，声网给出了这样一组数据：

端到端响应延时约 650 毫秒，极限打断响应约 340 毫秒。数字背后是同一个目标：让语音识别、意图判断、上下文调取和回应生成高效衔接，尽量缩短用户的等待，让回应和打断更自然。

声网的对话式 AI 引擎把全双工交互作为核心，像一个实时交互层，向上连接模型和 Agent 运行框架，向下连接用户和设备——不只是压缩延迟，而是把模型、人和设备接到同一条互动链路里。

赵斌在演讲里还提到一个容易被忽略的背景：

过去一年，OpenAI 等公司对 WebRTC 技术的深入采用，让实时互动技术在对话式 AI 领域获得了更广泛的关注。

这其实是在说，当整个行业都往对话式 AI 里冲的时候，底层的实时传输和交互编排能力，正在从“音视频团队的专属领域”变成“AI 产品团队的必修课”。

iRTE2026 把对话式 AI 技术专场、RTE 101、Real-Time AI Infra 这几个板块放在一起，本质上就是在回答这道必修课的考题：

从 Demo 到真正可用的语音智能体，除了模型能力，还需要一整套实时工程系统。

03从想法到 Demo，开发者可以再快一点

工程系统搭好了，下一个问题是：这些能力怎么交到开发者手里？

赵斌在演讲里发布了一套实时互动 AI 开发工具包，里面包含 Skills、CLI、60 多个 Recipes 和 Agora SDKs。

它既是给开发者的，也是给 AI 编程助手用的——开发者可以让 AI 助手借助这些现成的能力模块，把一个实时 AI 创意更快地变成能体验的作品。

现场给出的目标是：5–10 分钟，从 0 开始构建一个 Voice Agent Demo。

而且还可以有多模态能力融入，实际看下来，Demo效果也确实不错。

很推荐试试声网官方的开发者工具包，Skills、CLI、MCP、Recipes……都挺好上手实操的。

开发者工具包链接：https://docs.agora.io/en/introduction/start-with-ai

在展示材料里，基于这套能力做出来的应用已经覆盖了很多场景：AI 人体解剖讲解、AI 你画我猜、AI 实时解说、AI 互动故事书，把教育、游戏、解说和陪伴都拉进了实时互动里。

现场还有一个叫“饺子就酒”的展台，摆着不少有趣的 Demo，其中一些已经在 X 上流传开来，让人看到开发者用这些工具做出来的创作活力。

这种活力在 RTE Open Day 的开发者市集里更直观。不大的区域里挤了近二十家伙伴，桌上摆的从 AI 眼镜到桌面机器人，再到可穿戴语音笔记，像一个微缩版的实时智能生态切片。

另一个让我停留很久的角落，是声网 Agora 和 M5Stack 搭的硬件 Workshop。

令人惊喜的是，这次也请到了 Stack-chan 的原作者石川真也。

M5Stack 是一套开源硬件，OpenAI 和 Anthropic 都在用。现场的人可以真的动手，搭一个能语音对话的小硬件：从接线到跑通，最后带走一个“活”的东西，而不是一个录屏。

这其实就是工具包和硬件结合的样子——把实时对话能力和硬件拼在一起，一个会听、会说的小设备，半天就能有个雏形。

从有一个想法，到做出第一版 Demo，中间的时间正在变短：你可以更快地试用、拿到反馈、继续迭代。

当然，第一版 Demo 做出来，只是开始。真正走向真实场景，还要靠实时网络、媒体处理这些工程能力一点点打磨；而声网的音视频能力和全球基础设施，正是为这一步准备的。

04在展区里，看实时 AI 如何回应人

逛展区最怕的是概念演”：灯光一打，屏幕一亮，讲完就收起来。

iRTE2026 的实时智能特色展区反着来，东西摆在那儿，就是让人上手、插话、甚至故意捣乱的。

天工 3.0 全尺寸机器人做了基础动作和编排舞蹈的演示，联想机器狗在展区里转悠，AI 可穿戴、AI 陪伴、教育硬件一字排开，覆盖的场景从生活到协作再到空间协同。

但比有什么更值得看的，是怎么交互。

现场特意设了在嘈杂环境下测试全双工对话的环节。不是在实验室里安安静静对着麦克风念稿子，而是就在现场，有人声、有噪声、有打断的真实声场里，看 AI 能不能分清谁在说话、什么时候该接、什么时候该停。

这种演示方式本身就在传递一个信号：实时智能的及格线不在实验室里，而在用户真实开口的那一秒。

视觉互动也有可以上手的例子。比如 AI 你画我猜：你在屏幕上随手画，AI 一边看一边猜，画面刚出几笔，它就开口说出它看到的东西；你再添上一笔，它会马上改主意。用户做了什么、AI 看到了什么、怎么回应，都摆在明面上。

逛下来会发现，这些能力正在一步步进入用户能实际体验的应用和设备：可能是手机里的一个应用、一段实时视频，也可能是一台你能拿起来、对它说话的硬件。

展区的意义，就是让这些能力在真实的人声和动作里被体验、被检验——哪些接得住、哪些还会掉链子，上手聊几分钟就知道。

05从及时回应，到理解交流的情境

逛完展区、听完论坛，最打动我的不是某一个参数或某一场发布，而是一个反复出现的词：“活人感”。

声网 AI 产品线负责人姚光华在之前的活动里说过一句话，大意是模型决定了 AI 聪明的上限，但交互节奏、回声消除、超低延迟这些工程细节，才真正决定它能不能成为一个“活的存在”。

这句话放在 iRTE2026 的现场看，格外具体。展区里那些让人愿意多停留一会儿的设备，往往不是回答最聪明的，而是接得住的：

话说到一半停顿，它不抢话；突然插一句别的，它跟得上；有时候语气变了，它回应里也能听出一点相应的分量。

这些东西拆开来看都是老问题：延迟、打断、回声、状态同步。但它们组合在一起，产生的是一个很难用指标描述的东西——对话的呼吸感。

赵斌在演讲里提出的「五级对话能力」框架，讨论的正是这件事能走到多远。

演讲里用的是五个逐层递进的名称：L1 基于自身视角的表达，L2 基于互动规律的表达，L3 基于个体认知的沟通，L4 基于群体认知的沟通，L5 基于深度关系的沟通。

简单说，L1 像是自言自语或被动接续，问一句答一句；

L2 开始理解互动规律，转为主动表达，协调听说时机；

L3 会考虑人设、用意和处境，对话能因人而异；

L4 在个体认知之上理解社会关系，考虑各方视角、知情范围和发言边界；

L5 则把人和关系延展到时间维度，理解整体的心智轨迹，形成难以复制的共同语境。

这是一套关于能力演进的框架，描绘的是对话从「表达」走向「沟通」的方向，非常清晰地呈现出了发展图景。

要在自然、连续的互动中发挥这些能力，需要实时链路的配合。

要让一个 Voice Agent 因人而异，系统得让语音识别、意图判断、上下文调取和回应生成高效衔接，尽量缩短用户的等待；

要处理好几个人同时在场的对话，也要能同时跟踪多个说话人的状态，知道谁在插话、谁在等待。

声网把今年的社交泛娱乐专场主题定为《从人与人到人与 Agent 的连接》，把智能硬件与具身智能专场聚焦在 AI 驱动新增长和开源加速新终端上，背后其实是在追问同一个问题：

当 Agent 进入对话、服务和协作，用户感受到的「自然」，到底由什么构成。

RTE Open Day 里那个 AI 主题桌游《Talk With》的试玩区，可能是这个问题最轻松的注脚：一群人围着一张桌子，跟一个 AI 角色玩下去，玩着玩着就忘了自己在测试技术，只是在判断跟它说话舒不舒服。

这次探展让我看到，实时 AI 已经有了可以上手的具体体验，也有了让开发者开始动手的工具。

接下来值得期待的，是更多人把自己的想法做出来，在一次次真实互动中继续打磨……

朋友圈会发一些具体的案例和商业化日常～