OpenAI带火语音生意，延迟成为新卡点

21世纪经济报道记者雷晨

对话式AI的市场规模正在快速膨胀。市场研究机构Fortune Business Insights数据显示，2025年全球对话式AI市场规模为147.9亿美元，预计2026年增至179.7亿美元，2034年达到824.6亿美元，预测期复合年增长率为21%。规模膨胀的另一面是衡量标准失焦：模型跑分越刷越高，用户体感卡在“能聊”与“好用”之间。

10月23日，声网创始人兼CEO赵斌在iRTE2026实时智能大会上给出自己的答案。他在题为“对话AGI：实时互动的下一章”的主论坛演讲中提出“五级对话能力”框架，把对话式AI按能力深浅划分为五个层级，底层是“问一句、答一句”的被动应答，顶层指向长期上下文与深度关系沟通。

财务数据显示，声网母公司Agora, Inc.（NASDAQ:API）2026年二季度总营收为4042万美元，同比增长18%，超过指引区间上限；GAAP（美国通用会计准则）净利润为220万美元，同比增长50.3%，公司已连续七个季度实现GAAP盈利。当季实时互动与对话式AI两大业务板块均保持增长势头，语音Agent（智能体）应用场景已覆盖市场调研、意向收集与客户服务。

赵斌对行业阶段的判断是，AI正从回答问题走向持续交流、理解上下文并执行任务，实时互动的对象随之由人与人扩展至人与Agent。实时互动技术的角色也在变化：既要保证信息传递稳定流畅，还要为AI的感知、理解、表达与行动提供实时支撑。

他提出的五级框架，第一层是“问一句、答一句”的被动接续，第二层转向主动表达与自然连贯，第三层要求理解对话者的身份、意图与处境，第四层进入多人场景中的社会关系与角色差异，第五层指向长期上下文与关系演变，让沟通从理解当下走向理解一个人。层级往上走，AI处理的对象从语言本身转向人与人之间的关系。

过去两年，行业习惯以回答速度与语言自然度来衡量语音产品。赵斌认为，能否理解对话对象的意图、处境与关系，能否在复杂场景中恰当表达，成为下一阶段的衡量指标。按他的描述，对话式AI正在从被动接续的交互走向更主动的全双工对话，接下来要突破的是复杂社会场景下的角色分工与沟通秩序，以及个人长期积累的上下文。AI结合完整语境理解真实意图并作出恰当回应，是他给出的对话AGI方向。

他提到，过去一年，OpenAI等公司对WebRTC（网页实时通信技术）的深入采用，推动实时互动技术在对话式AI领域获得更广泛关注。公开信息显示，OpenAI的Realtime API以WebRTC作为主要接入方式。实时音视频传输技术商用已有十余年，服务对象长期是人与人之间的通话，这轮变化的增量发生在人与Agent之间。

对话场景对基础设施的要求远高于文本交互。AI需要边接收输入边理解上下文、组织回应，随时应对用户打断，并持续调用工具推进任务，任一环节出现明显延迟都会破坏对话的自然性，甚至影响任务完成。赵斌给出的基础设施方向包括全球实时传输网络、分布式云边端联合推理、实时编排与全双工交互。声网的对话式AI引擎以全双工为核心，连接模型、Agent运行框架与用户。据公司披露，该引擎依托全球边缘网络提供低延迟音频传输，集成轮次检测与打断处理等实时对话能力，配套SDK（软件开发工具包）、Skills、CLI工具等开发套件，供开发者搭建具备完整逻辑与执行能力的Agent。

他表示，对话式AI正在进入客服、教育、AI陪伴与智能穿戴等真实场景，AI能否创造价值，取决于它能否理解需求、自然沟通并持续完成任务。大会主论坛上，英伟达首席架构师、AOMedia视频编解码工作组联合主席Andrey Norkin就AV1视频编解码技术发表演讲，底层编解码与传输标准的迭代与对话能力的进化走在同一条线上。

公司层面，声网此前披露2025年实时音视频服务时长超过1万亿分钟。二季度，声网推出Agora Agents SDK，支持Python、Node.js和Go三种语言；与芯片厂商瑞芯微基于RK3588、RK3576两款机器人芯片平台推出平行操控方案，在4G、5G及Wi-Fi网络下端到端延迟稳定低于200毫秒，网络延迟中位数76毫秒；同期完成了与芯片企业爱芯元智的机器人实时互动方案适配。