聲網(wǎng)研究院聯(lián)合 RTE 開發(fā)者社區(qū)推出了《對話式 AI 發(fā)展白皮書》。該白皮書基于聲網(wǎng)對行業(yè)的深刻洞察和自身經(jīng)驗，從發(fā)展背景、技術(shù)模塊、產(chǎn)品方案及生態(tài)、對話體驗質(zhì)量評估方法、應(yīng)用實踐落地等多個維度，系統(tǒng)地梳理了對話式 AI 的發(fā)展現(xiàn)狀與未來趨勢，為行業(yè)打造了一本可落地的實踐指南。

《白皮書》指出，隨著對話式 AI 技術(shù)的快速發(fā)展，VoiceAgent 是目前市場上極具代表性的產(chǎn)品形態(tài)。當(dāng)前，Voice Agent 主要有傳統(tǒng)的J聯(lián)模式（ASR+LLM+TTS） 與端到端模式兩種主流架構(gòu)。J聯(lián)模式以其高靈活度、成本優(yōu)良帶來的靈活性，仍是現(xiàn)階段大多數(shù)企業(yè)的選；而端到端模式則在高性能、快速部署方面潛力更大，代表著未來演進方向。在聲網(wǎng)看來，成熟的生態(tài)協(xié)作已成為推動對話式 AI 普及的關(guān)鍵。從 Deepgram、MiniMax、OpenAI 到國內(nèi)的通義千問、智譜清言、豆包等 LLM 廠商，從語音識別、語音合成到實時通信技術(shù)提供商，一個覆蓋技術(shù)鏈各環(huán)節(jié)的開放生態(tài)正在形成。

GPT-4o 的發(fā)布開創(chuàng)了 AI 實時語音交互的先河，推動了 AI 語音交互進入 對話延遲更低、互動更流暢的 RTC 方案。同時，在 10 月份，OpenAI 發(fā)布了與 Agora（聲網(wǎng) 兄弟公司）、Livekit、Twilio 共建的 RealtimeAPI 公開測試版，用于構(gòu)建基于 GPT-4o 語音 到語音的 AI 應(yīng)用和智能體，所有付費的開發(fā)者都能在應(yīng)用程序中構(gòu)建低延遲、多模態(tài)的實 時互動體驗。

當(dāng)前對話式 AI 的應(yīng)用有兩個技術(shù)路線，分別是端到端模型方案和J聯(lián)模型方案，兩者 在性能、成本、靈活性、擴展性以及集成部署等方面各有優(yōu)缺點。同時，對話式 AI 的交互 體驗伴隨著技術(shù)升J和應(yīng)用擴展正在快速發(fā)展，對于開發(fā)者與 AI 創(chuàng)業(yè)者而言，如何選擇Z 適合自身業(yè)務(wù)的技術(shù)方案與產(chǎn)品供應(yīng)商顯得至關(guān)重要。

對此，聲網(wǎng)研究院聯(lián)合 RTE 開發(fā)者社區(qū)推出《對話式 AI 發(fā)展白皮書》，基于對行業(yè)的洞 察、調(diào)研，并結(jié)合自身的業(yè)務(wù)經(jīng)驗，從對話式 AI 發(fā)展的背景、技術(shù)方案與產(chǎn)品生態(tài)、對話 體驗質(zhì)量評估方法、應(yīng)用實踐落地等多個維度系統(tǒng)的梳理對話式 AI 的發(fā)展現(xiàn)狀與未來的趨 勢方向，希望能為行業(yè)的從業(yè)者帶來更多的幫助。

對話式 AI 的爆發(fā)開啟了人與 AI 互動的新紀元，硬件、教育、社交等各個領(lǐng)域的應(yīng)用場景也隨之而來加速裂變。聲網(wǎng)聯(lián)合 RTE 開發(fā)者社區(qū)發(fā)布了《2025 對話式 AI 應(yīng)用場景熱力榜單》，AI 語音助手、AI 社交與陪伴、AI 潮玩位列前三，充分說明對話式 AI 在個人助理與情感陪伴領(lǐng)域的強勁需求。緊隨其后的 AI 教育硬件、AI 硬件、AI 客服、口語訓(xùn)練、AI 招聘等多元場景，進一步表明對話式 AI 技術(shù)正從消費端向產(chǎn)業(yè)端加速滲透。

白皮書中還推薦了對話式 AI 模型評測平臺，該平臺在基于聲網(wǎng)對話式 AI 引擎的基礎(chǔ)上，可以實時橫向評測J聯(lián)大模型中 ASR、LLM、TTS 的延遲數(shù)據(jù)、詞錯誤率、字母數(shù)字性能以及價格估算等多項指標，并涵蓋了市場主流的模型供應(yīng)商，開發(fā)者可根據(jù)性能的數(shù)據(jù)表現(xiàn)，選擇更適配自身業(yè)務(wù)的模型。

附件：2025對話式AI發(fā)展白皮書-技術(shù)模塊,產(chǎn)品方案及生態(tài),對話體驗質(zhì)量評估方法,應(yīng)用實踐落地等發(fā)展現(xiàn)狀與未來趨勢