今日，在iRTE2026实时智能大会现场，声网创始人兼CEO赵斌一开场就抛出一个判断：过去12个月，是实时互动领域改变定位与使命、实现真正跃迁的一年。
今日，在iRTE2026实时智能大会现场，声网创始人兼CEO赵斌一开场就抛出一个判断：过去12个月，是实时互动领域改变定位与使命、实现真正跃迁的一年。01、 这12个月，实时互动发生了什么
在他看来，最具深远意义的变化，是OpenAI在今年年初全面拥抱WebRTC。除了去年8月GPT-Realtime API商用时的WebRTC接口，今年OpenAI新推出的实时对话类模型，全部深度采用这一技术栈来优化对话体验。5月，OpenAI又发了一篇深度技术博客，讲它如何用WebRTC支撑高并发、低延迟的人机实时对话。随后，全行业的实时对话大模型公司都开始深入采用并优化WebRTC技术。这开启了WebRTC体系诞生以来最深刻的一次结构性变革，也是一个重要的转折点。标志性事件不止一个。对话式AI领域的标志性公司Sierra今年完成了一轮巨额融资，其透出的行业信号是：对话式AI正规模化进入大型企业，并产生巨大的商业价值。而全球顶流网红MrBeast在超级碗期间，于Whatnot平台开启直播抽奖，依托Agora实时音视频能力，在毫秒级延迟下支撑最高58.3万人同时在线，创下美国直播购物并发新纪录。
这让电商直播、体育直播等大规模线上实时互动，有了更广阔的想象空间。
02、 对话AI的范式，正在被重写
今年5月，前OpenAI CTO Mira Murati创办的Thinking Machines Lab发布Interaction Model，将对话AI从传统端到端单模型回合制对话，推向快慢脑分工、原生全双工交互的Agent新范式。
此后，几乎所有前沿实验室发布的新对话模型，都大体符合这一特征。生成式数字人和生成式视频的实时推理，也远超两年前的预期。就在本月，海外AI公司Tavus发布实时视频交互模型Griffin，并宣称该模型通过自研标准下的实时视频互动图灵测试：在其组织的实验中，48%的测试者在一分钟视频对话后，认为对话对象是真人。他对此很谨慎：“声网还没机会亲自测试，无法判断真假。”但同期多家厂商发布的视频生成速度已超过播放速度，这意味着生成式视频已经具备了实时互动的基础。更底层的编码器也在进化。今年5月，AOMedia（AOM 联盟）免版税视频编码标准AV2正式定稿，在参考测试条件下，同画质相比 AV1可节省约30%码率。
03、 对话，正在成为唯一的人机界面
赵斌认为，一个更根本的变化是：对话式AI正在证明自己能规模化地成为唯一的人机界面。他举例说，一家创业公司Instinct不做传统App，以短信、电话、邮件作为交互入口，其消费者个人AI助手在内测阶段就跑出超10亿美元年化交易流水，获得资本高度追捧。“在这样一种把对话式AI作为唯一人机界面的情况下取得商业成功，证明了它的现实可行性。”这股趋势正在多个领域落地。AI眼镜几乎完全把“对话式人机界面”当作默认的服务方式——戴上眼镜，最便利的就是直接开口说话。2025年AI眼镜出货量同比翻了约3倍，今年预计超过千万级。Salesforce也推出了无界面的“Headless 360”，主动把自己转型为以Agent对话为入口的软件服务。AI陪伴同样快速生长。据Grand View Research预测，这一市场将持续扩张到480亿美元规模；但另一边，早期明星创业公司Character.ai刚刚申请了破产保护。创业创新不易，行业变化很快，AI陪伴也有它成长中的挑战。中国是全球第一个为AI情感陪伴/拟人化互动服务出台国家级监管规则的国家，多家厂商为此紧急下架调整，行业正在走向规范化。
04、 别忽略：人和人的实时互动仍在增长
在赵斌看来，所有这些AI场景，都建立在人和人实时互动需求持续增加的基础上。仅声网平台，人和人的实时互动过去三年就实现了差不多一倍的增长。“这再次验证，实时互动是人类的本质需求，有着内生的、持续的增长力。”增长的动力来自画质普及——现在95%以上的主流手机都支持720P以上的实时互动；也来自终端兼容——音频、视频、连接水平和服务稳定性极大扩展了参与互动的机会；还来自画质的持续改善，比如在小天才手表这样的小型低功耗设备上，用AI技术把采集画面超分到高清水平。
05 、WebRTC，正在从“浏览器能力”长成“AI基础设施”
赵斌特别强调WebRTC身份的转变。技术标准在更快地创新：很多厂商提出改进提案，其中相当一部分已在真实使用中落地。例如OpenAI在8月博客披露了WARP（WebRTC 精简往返协议），将GPT Live语音会话的WebRTC启动握手从6次网络往返压缩至1次，大幅降低实时语音AI的建连延迟。AV1也从“可用”走到“好用”——随着WebKit在苹果平台默认启用AV1、Firefox也增加硬件支持，浏览器端的互通已没有障碍。从WebRTC的全球搜索量变化能直观看到这个转折：疫情带来的第一个尖峰，去年8月OpenAI Realtime API发布带来的第二个尖峰，以及今年6月前后、OpenAI全面拥抱WebRTC技术栈时创造的更高尖峰。他判断：WebRTC正从“浏览器的实时互动能力”，进化为AI与人互动的基础技术栈，并逐步走向整个IT行业的主流。
06、 面向对话AGI，需要新一代“实时AI基础设施”
赵斌认为，当对话式AI利用WebRTC走向每个人的生活和工作，光有技术栈还不够，还需要一个全球覆盖的实施基础设施——这就是“下一代实时AI基础设施”。它不同于常规AI基础设施：常规AI设施对实时性没有本质要求，而对话场景一旦延迟达不到实时互动的体验边界，互动就很难正常进行。声网的底气来自它过去十多年为人和人实时互动建设的全球虚拟网SD-RTN——依托全球超300个数据中心，通过路由和算法改善，保障数据包传输的稳定与低延迟，实现百毫秒级的启动速度和稳定的全双工双向延迟。在此基础上，声网还布局了分布式云边端联合推理体系，让云端、边缘和终端算力协同；以及开源的TEN Framework作为实时编排底层框架；和全双工的Conversational AI Engine。这些共同构成了AI Agent的实时交互层——本质上，它就是对话式AI的“神经系统”。
07 、级联还是端到端？两条路线并不矛盾
进入人和AI互动的场景，难点不只是传输和编解码，还要让AI能“听见、理解、回应、行动”。在商用生产系统里，多数厂商仍采用级联系统——因为它更可控、可调试、可替换，成本也更稳，“商业系统不允许犯严重错误”。而前沿实验室仍在不懈推进端到端多模态模型，配合全双工和快慢脑，实现了“一边听一边说”的体验，更接近真人与人沟通。“过去模型要么在听、要么在说，是半双工；现在的端到端模型一边听一边说、两者并行，和真人的体验完全一样。”赵斌的判断是，未来不会停留在“两个模型协同”，而会逐渐走向“更多不同能力特征的模型，共同协同Harness框架，去完成整体的对话体验”。
08、 对话系统要做好的三件事
第二，意图理解——结合对话历史、人物关系、情绪等，形成准确完整的判断；第三，表达——基于对意图的理解，用大模型生成最优的对话内容和表达方式。声网的Conversational Agent系统，正是基于这一理念，架构在声网全球实时传输大网之上。
09、 12年共创：AI对话能力一天天变强
声网在实时AI对话模型与体验上的探索始终是和开发者、客户一起共创、共同迭代的。从GPT-4o发布前，声网用纯文本大模型做的AIGC RTC SDK，到和OpenAI联合发布的Realtime API，再到去年的对话式AI引擎2.0和编排Studio，以及今年和伙伴、客户共同打磨推出的Call Agent及实时互动AI开发工具包。这套开发包包含众多Skill、较完备的RTC工具和广泛的Recipes，结合声网SDK，可以分钟级从零构建完整的Agent能力。在客服领域，一个个场景中，对话AI的表达和服务体验逐渐超过人工客服；在AI陪伴领域，服务商从“卖硬件”走向“硬件销售后持续推出对话服务包”，情感陪伴正在超出一般工具的意义；在教育等自然学科答疑上，对话AI有望真正形成“千人千面”的教育服务。
10 、对话AGI的路：从“接话”到“知己”
L3是基于对对话对象人设、处境、用意的理解，形成针对个人的更有效对话;未来还要突破面向复杂社会场景、多人场景角色分工的对话能力。“当AI的对话能力达到这个水平之后，就能深入理解一个人生命历程的完整上下文，恰如其分地与人对话，让人产生一种知己的感觉。这就是对话式AI的AGI之路。”
11 、如果AI能听懂你的生活
呼叫中心坐席不再一天重复几百遍同样的话、承受情绪压力，而是从繁重重复的对话工作中解放出来，转向管理对话AI、创造更好的对话规则；电话接听助理会自然帮你处理所有没空接的电话——而且会越来越多地有Agent打给你。还有正在发生的一件大事：语种的隔离正在被消灭。除了一些真正高端的场景，绝大多数日常对话翻译已经完全有效。结尾，他抛回一个古老故事：“上帝把人类的语言打乱，让大家无法交流。今天，AI正在打破这道屏障。”
