西風(fēng)發(fā)自凹非寺量子位|公眾號(hào)QbitAI

WAIC現(xiàn)場(chǎng)，這個(gè)展臺(tái)被觀眾擠爆了！

湊近一瞧，好家伙，展臺(tái)里擺滿了各式新奇的“AI玩具”，它們有個(gè)共同點(diǎn)——

全都能實(shí)時(shí)與玩家流暢對(duì)話，延遲極低

比如這款“AI毛球”，活脫脫一個(gè)電子寵物，不僅能實(shí)時(shí)理解你的話語(yǔ)，還能默默陪伴左右，提供滿滿的情緒價(jià)值：

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

此外，現(xiàn)場(chǎng)還有數(shù)字人全息倉(cāng)、能對(duì)話的卡皮巴拉等，賺足了觀眾眼球：

其實(shí)它們有個(gè)共同的“幕后推手”，這些產(chǎn)品的實(shí)時(shí)對(duì)話能力，全都依托于聲網(wǎng)的對(duì)話式AI引擎

更值得一提的是，聲網(wǎng)剛宣布，他們的對(duì)話式AI引擎已完成全新升級(jí)

新增選擇性注意力鎖定功能，讓它在嘈雜會(huì)場(chǎng)也能精準(zhǔn)捕捉你的聲音，實(shí)現(xiàn)“只聽你說(shuō)”；同時(shí)新增視覺(jué)理解能力；還能與主流數(shù)字人方案無(wú)縫集成

一句話概括，新版對(duì)話式AI引擎，變得更“耳聰目明”了。

要知道，聲網(wǎng)是做RTE（RealTimeEngagement，實(shí)時(shí)互動(dòng)）技術(shù)起家的，在音視頻處理和實(shí)時(shí)通信領(lǐng)域深耕多年，現(xiàn)在轉(zhuǎn)身做多模態(tài)AI交互，屬實(shí)是“專業(yè)對(duì)口”，一出手就有狠活。

這次對(duì)話式AI引擎升級(jí)背后到底帶來(lái)了哪些AI交互新體驗(yàn)？接下來(lái)就為你詳細(xì)揭秘。

三大升級(jí)，AI聽得準(zhǔn)看得清

量子位拿到demoapp，直接體驗(yàn)了這波升級(jí)。支持事先調(diào)整預(yù)設(shè)

聽力開掛：嘈雜環(huán)境里只聽你的話

使用對(duì)話式AI第一步，自然是考驗(yàn)它能否從各種干擾中準(zhǔn)確識(shí)別出用戶的指令，這直接決定了AI對(duì)話體驗(yàn)的好壞。

聲網(wǎng)新版對(duì)話式AI引擎的第一個(gè)殺手锏，就是選擇性注意力鎖定功能。

剛開始對(duì)話時(shí)屏幕上就會(huì)提醒用戶“在對(duì)話初期大聲、清晰地說(shuō)話”，由此它就會(huì)將你的聲音鎖定

在后續(xù)對(duì)話中面對(duì)環(huán)境人聲和噪聲干擾，它能夠根據(jù)鎖定用戶的聲紋特征精準(zhǔn)識(shí)別，屏蔽95%的干擾。即使在復(fù)雜的聲音環(huán)境中，它也能準(zhǔn)確捕捉到你的每一個(gè)指令。

來(lái)看實(shí)測(cè)對(duì)比，當(dāng)用戶在對(duì)話初期沒(méi)有大聲清晰地說(shuō)話，導(dǎo)致聲音未被鎖定時(shí)，AI常會(huì)受到周圍的環(huán)境人聲、電視聲、音樂(lè)聲干擾，出現(xiàn)誤識(shí)別或響應(yīng)延遲的情況。

（PS：我們同時(shí)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(zhǔn)鎖定目標(biāo)用戶的聲音。

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

詢問(wèn)旅游規(guī)劃等需要它長(zhǎng)時(shí)間回答的問(wèn)題，它也不會(huì)因?yàn)榄h(huán)境干擾音而終止或是暫停對(duì)話：

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

視覺(jué)理解，實(shí)時(shí)看圖識(shí)物

如果說(shuō)聲音識(shí)別是AI的“耳朵”，那么視覺(jué)理解就是AI的“眼睛”。而最新版引擎為AI也實(shí)現(xiàn)了這樣的能力，可以實(shí)時(shí)看圖識(shí)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(shí)別出這是什么，還能準(zhǔn)確指出設(shè)計(jì)中的結(jié)構(gòu)特點(diǎn)，額外提出了一些注意事項(xiàng)。

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

當(dāng)我們展示一張技術(shù)報(bào)告中的圖表時(shí)，它同樣能夠理解其中邏輯，并用自然語(yǔ)言解釋。

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

測(cè)試中我們還發(fā)現(xiàn)，聲網(wǎng)新版對(duì)話式AI引擎具有很強(qiáng)的上下文感知能力，當(dāng)我們連續(xù)提問(wèn)幾個(gè)問(wèn)題后，它能夠理解問(wèn)題之間的關(guān)聯(lián)性，并給出連貫的分析。

數(shù)字人支持，對(duì)話更有“人情味”

第三個(gè)重要升級(jí)是數(shù)字人功能。

據(jù)介紹，新版引擎支持與主流數(shù)字人方案的無(wú)縫集成，包括商湯數(shù)字人等業(yè)界領(lǐng)先方案。

在預(yù)設(shè)中即可挑選配置：

在與數(shù)字人的對(duì)話中，它不僅能夠準(zhǔn)確響應(yīng)語(yǔ)音指令，還能通過(guò)面部表情和肢體語(yǔ)言傳達(dá)更豐富的信息

當(dāng)我們?cè)儐?wèn)復(fù)雜問(wèn)題時(shí)，數(shù)字人會(huì)露出思考的表情；在解釋概念時(shí)，還會(huì)配合手勢(shì)動(dòng)作，整個(gè)交互過(guò)程自然流暢。

例如詢問(wèn)“出門露營(yíng)要帶些什么東西？有什么注意事項(xiàng)？”數(shù)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(jī)交互體驗(yàn)更加自然真實(shí)。

總之，聲網(wǎng)此次對(duì)其對(duì)話式AI引擎的升級(jí)，通過(guò)融合多模態(tài)打造了更加沉浸式的AI實(shí)時(shí)交互體驗(yàn)，而這也正是其技術(shù)實(shí)力的集中展現(xiàn)。

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

并且價(jià)格更是低至每分鐘0.098元，還不到一毛錢。

這么多眼熟的應(yīng)用，背后竟都有它

實(shí)際上，聲網(wǎng)首版對(duì)話式AI引擎早在今年3月份就上線了，憑借效果優(yōu)、開發(fā)接入極簡(jiǎn)、靈活性強(qiáng)，已在各行各業(yè)落地。

你可能都沒(méi)發(fā)現(xiàn)，我們?nèi)粘Ｊ熘牟簧貯I應(yīng)用，背后都有它

在教育領(lǐng)域，豆神AI近期宣布將推出AI超擬人多對(duì)一直播課，課程采用真人教師與AI教師“雙師”協(xié)作體系，實(shí)現(xiàn)千人千面的定制化訓(xùn)練與輔導(dǎo)，精準(zhǔn)契合不同學(xué)生的學(xué)習(xí)需求。

在聲網(wǎng)對(duì)話式AI引擎的加持下，AI教師能夠在AI實(shí)時(shí)訓(xùn)練體系、課堂答疑、情境創(chuàng)設(shè)、AI實(shí)時(shí)判卷等環(huán)節(jié)中，全程與學(xué)生展開低延時(shí)、自然流暢的對(duì)話交互。

聲網(wǎng)技術(shù)支撐不僅保障了AI語(yǔ)音交互的實(shí)時(shí)性和穩(wěn)定性，更讓學(xué)生在與AI教師的互動(dòng)中獲得如真人般自然的學(xué)習(xí)體驗(yàn)。

智能硬件領(lǐng)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A(yù)I情感陪伴產(chǎn)品“芙崽Fuzozo”。

傳統(tǒng)陪伴機(jī)器人常給人冷冰冰的機(jī)械感，難以讓用戶產(chǎn)生情感聯(lián)結(jié)。而芙崽不同，用戶每日互動(dòng)中可與芙崽積累親密度，由此孕育出的每只芙崽都擁有獨(dú)特性格，與用戶形成獨(dú)一無(wú)二的專屬情感羈絆。

通過(guò)與聲網(wǎng)的合作，芙崽AI交互的實(shí)時(shí)性和穩(wěn)定性得到大幅優(yōu)化。與此同時(shí)，聲網(wǎng)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(jī)器人EBOAir2Plus

Enabot與聲網(wǎng)合作，依托聲網(wǎng)的對(duì)話式AI引擎技術(shù)，EBO能精準(zhǔn)識(shí)別用戶的打斷意圖，即便周圍環(huán)境嘈雜，也能鎖定對(duì)話人聲，確保識(shí)別準(zhǔn)確；同時(shí)，借助聲網(wǎng)高質(zhì)量的實(shí)時(shí)音視頻服務(wù)，它還支持雙向視頻通話，用戶無(wú)論身處全球何地，都能與家人實(shí)現(xiàn)零距離視頻交流。

除此之外，無(wú)論是MiniMaxChat星野的語(yǔ)音對(duì)話功能，還是智譜清言的視頻通話功能商湯商量的實(shí)時(shí)音視頻交互，背后統(tǒng)統(tǒng)都有聲網(wǎng)的技術(shù)支撐。

從娛樂(lè)聊天到知識(shí)問(wèn)答，聲網(wǎng)的技術(shù)方案已覆蓋廣泛場(chǎng)景。

這些成功應(yīng)用案例不僅證明了聲網(wǎng)對(duì)話式AI引擎在不同場(chǎng)景下的適應(yīng)性和實(shí)用性，驗(yàn)證了其技術(shù)的可靠性，也為更多企業(yè)提供了可借鑒的落地經(jīng)驗(yàn)。

那么為何大家都選擇了聲網(wǎng)？大概是源于聲網(wǎng)多年的RTE基因。

用RTE基因重塑AI交互體驗(yàn)

近期國(guó)內(nèi)外AI廠商持續(xù)加大多模態(tài)領(lǐng)域的投入，融合視覺(jué)、語(yǔ)音等能力的AI應(yīng)用不斷涌現(xiàn)，再加上WAIC現(xiàn)場(chǎng)的種種跡象，一個(gè)趨勢(shì)非常之明顯：

單一模態(tài)的AI交互正在成為歷史，多模態(tài)AI交互已是明確的未來(lái)方向。

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

作為實(shí)時(shí)互動(dòng)技術(shù)領(lǐng)域的領(lǐng)軍企業(yè)，聲網(wǎng)在多模態(tài)AI交互方面天然具有技術(shù)優(yōu)勢(shì)。多年來(lái)在RTE領(lǐng)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(shù)能力。

更關(guān)鍵的是，聲網(wǎng)做多模態(tài)AI交互不是技術(shù)的簡(jiǎn)單疊加，而是始終致力于提升對(duì)話式AI的交互體驗(yàn)。每一個(gè)功能升級(jí)背后，都指向同一個(gè)目標(biāo)：

讓AI對(duì)話更具真實(shí)感和自然感

無(wú)論是選擇性注意力鎖定帶來(lái)的精準(zhǔn)語(yǔ)音識(shí)別，還是視覺(jué)理解賦予AI的觀察能力，抑或是數(shù)字人支持創(chuàng)造的情感化交互，這些功能都解決了用戶在實(shí)際使用中遇到的真實(shí)痛點(diǎn)。

這種以用戶體驗(yàn)為核心的產(chǎn)品思路，可能比單純追求技術(shù)指標(biāo)更能決定產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力。

可以預(yù)見，隨著多模態(tài)AI應(yīng)用的普及，那些能夠提供低延遲、高穩(wěn)定性、自然交互體驗(yàn)的技術(shù)平臺(tái)，將在下一輪競(jìng)爭(zhēng)中占據(jù)更加有利的位置。

四本類型各異,劇情流暢自然的佳作:入目無(wú)別人,四下皆是你

《大明最后一個(gè)狠人》，作者：大明第一帥點(diǎn)評(píng)：主角穿越成為明朝最后一個(gè)太子身上怎么辦？滅流寇，斬貪官，開海禁，揚(yáng)國(guó)威——_。作者很有自己的風(fēng)格，雖然是歷史架空的背景下，在戰(zhàn)爭(zhēng)的描寫很有畫面感，給人一種看爽文的感覺(jué)，主角更是一個(gè)“狠”字貫穿了一生。《網(wǎng)游之全民領(lǐng)主》，作者：大漢護(hù)衛(wèi)點(diǎn)評(píng)：種田+爭(zhēng)霸+游戲，同樣是最近比