“声网对话式AI相关用量在2025年第三季度实现151%的环比增长，这一切都展现出强劲的市场需求。”11月3日，声网方面对《华夏时报》记者表示。这也意味着该公司的多元化转型取得初步成效。今年上半年，该公司推出对话式AI引擎。
然而，这条高增长赛道也面临着技术与市场的双重考验：一方面，尽管前景广阔，但要实现真正“声情并茂”的自然对话，业界认为仍需几年时间以攻克低延迟、情感理解等技术瓶颈；另一方面，全球范围内对话式AI创业公司呈现爆发态势，赛道竞争日趋激烈。
生成式AI带来新机遇
在近日由声网与RTE开发者社区联合主办的Convo AI&RTE 2025第十一届实时互联网大会上，声网创始人兼CEO赵斌表示，对话式AI将成为下一代AI Infra的重要部分。据声网方面向本报记者提供的数据，该公司对话式AI相关用量在2025年第三季度实现151%的环比增长。
究其根本，是因为多模态大语言模型的出现让计算机具备了类人的实时语音对话能力，为解决此前的挑战带来了全新路径。赵斌认为，对话式AI正驱动RTE从能够“正常对话”到“声情并茂”的关键跃迁，为RTE（实时互动）行业带来一个不可估量的全新市场。
在此之前，RTE产业依然面临着从"连通"到"对话"的本质挑战。行业数据显示，仅21%的用户对现有AI对话体验满意，部分服务的用户流失率高，这是因为，人类对话中仅有7%的信息来自语言内容，超过90%的信息感知依赖于语调、表情和肢体语言等非语言要素。
今年3月，声网发布了全球首个对话式AI引擎，这个对话式AI引擎可支持任意文本大模型快速升级为“能说会道”的对话式多模态大模型，之后，MiniMax、星野、智谱清言等都与声网在对话式AI业务方面达成了合作；近日，声网又推出了对话式AI引擎2.0。
深度科技研究院院长张孝荣对《华夏时报》记者表示，该赛道处于高速成长期，核心驱动力来自大模型多模态化与实时交互需求的融合，声网等技术提供商通过高精度语音识别、低延迟通信与情感计算能力，填补了大模型从"文本智能"到"语音交互"的关键环节，未来将在智能座舱、虚拟人、沉浸式娱乐等领域形成规模化落地。
不过，大模型技术虽然为RTE从能够“正常对话”到“声情并茂”实现关键跃迁提供了可能，但目前距离理想化水平还存在一定差距。
“这个过程可能还需要3-5年。”张孝荣说，技术上的最大挑战是如何突破低延迟响应、自然打断、上下文管理以及多模态的情感理解与表达等复杂挑战。
声网方面则认为，实现“声情并茂”所需要的时间难以精确预估，可能是几年甚至更长时间，这一过程的关键节点主要与技术突破（比如多模态大语言模型的成熟）、市场应用（规模化商业落地）相关。
除了技术瓶颈，这条赛道的竞争也比较激烈。据声网，在开发者生态中，全球范围内正掀起一场实时语音技术的新浪潮，对话式AI与语音智能体创业公司呈现爆发式增长态势，Y Combinator近期的孵化团队中，语音智能体公司占比显著提升。
音视频市场止跌回升
事实上，对话式AI是声网新场景多元化转型的关键一步。
声网成立于2014年，主业为实时音视频业务。疫情期间，由于线上教育、直播带货、在线会议、远程医疗、音视频娱乐等多个赛道的需求增长进一步加速了实时语音业务规模的爆发，声网一度获得巨大的流量。
但之后由于业务过于单一，再加上疫情之后带来流量的多个场景出现市场变化，声网开始陷入业绩下滑与亏损的困境。
生成式AI在全球的爆火让声网看到了新的机会，该公司也很快抓住这个市场节点进行布局，并取得了不错的成绩。在经历多次亏损后，声网已经连续三个季度实现盈利，其母公司Agora,Inc.发布的2025年第2季度财报显示，总营收为3426万美元，同比增长11%，GAAP净利润为146万美元。
当然，原本的音视频业务仍然是声网的支柱型产业。声网方面对本报记者表示，该公司当前发展势头最好的业务包括对话式AI和RTC（实时通信）相关业务，但最大头收入还是来自RTC相关服务。
好消息是，这一市场已经逐渐转好。IDC发布的《中国视频云市场跟踪，2024下半年》报告显示，2024下半年中国视频云市场规模达到50.8亿美元，止跌回升，同比增长4.7%。头部短视频与直播电商平台为直播体验拔高技术指标、互联网视频短剧需求持续提升、智能化视频云服务逐步落地，成为驱动这期市场增长的主要动力。
“AI需要音频能力。借助于大模型的高速发展，音视频业已从‘爆发式增长’进入‘结构性增长’的新阶段，未来，音视频将作为底层能力与对话式AI等技术结合，赋能更多创新场景。”张孝荣说。
在这条赛道，声网同样存在很多竞争对手，在该公司多年前递交的招股书中，就将腾讯、TokBox、美国的Twilio都列为竞争对手。
“我们会继续发挥技术优势（自研大网、抗丢包、延迟、AI优化）、优化产品策略（对话式AI引擎配套系列产品发布、低代码产品适配不同需求人群）、聚焦垂直场景（智能硬件、泛娱乐社交、出海、教育）、并加强本地化运营（声网是第一家全球化的RTC公司，在北京、硅谷、伦敦、新加坡等地都有分部），来应对市场竞争。”声网方面告诉本报记者。
