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、技術模塊、產(chǎn)品方案及生態(tài)、對話體驗質量評估方法、應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。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提供商，一個覆蓋技術鏈各環(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，用于構建基于 GPT-4o 語音 到語音的 AI 應用和智能體，所有付費的開發(fā)者都能在應用程序中構建低延遲、多模態(tài)的實 時互動體驗。

當前對話式 AI 的應用有兩個技術路線，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 體驗伴隨著技術升J和應用擴展正在快速發(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)務的技術方案與產(chǎn)品供應商顯得至關重要。

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、調研，并結合自身的業(yè)務經(jīng)驗，從對話式 AI 發(fā)展的背景、技術方案與產(chǎn)品生態(tài)、對話 體驗質量評估方法、應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、社交等各個領域的應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、口語訓練、AI 招聘等多元場景，進一步表明對話式 AI 技術正從消費端向產(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)務的模型。

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