2行代碼與DeepSeek語音對話，1分鐘不到一毛錢，所有大模型都能開口說話

夢晨 2025-03-07 16:00:16 來源：量子位

夢晨 發自 凹非寺
量子位 | 公眾號 QbitAI

起猛了，DeepSeek開口說話了。

而且是超低延遲實時秒回，還可以隨時打斷的那種。

DeepSeek以及其他任意大模型接入這樣的高質量對話引擎，全程只需要兩行代碼。

開發一款語音交互的AI應用，門檻低到如此令人發指了嗎？

這不算完，價格方面還有驚喜：每分鐘0.098元，不到一毛錢，單次還贈送1000分鐘。

這就是來自聲網的對話式AI引擎了。

聲網AI RTE產品線負責人姚光華在3月6日對話式AI引擎發布會上提到，“經過一段時間與客戶的打磨及實際使用場景調研，我們統計出，用戶與AI 每產生1次對話中，平均會有約3輪問答，計算下來平均對話時長約為21.1s，單次成本僅需3分錢。如果每月對話次數15次，那么月成本不到5毛錢，年成本也只需5元。”

聲網在價格上做到了極致，按用量付費的模式更是不設上限，讓多模態AI交互應用服務百萬級用戶規模成為可能。

這樣便宜又好用，聲網是怎么做到的呢？

揭秘AI對話流暢體驗關鍵

AI對話要想體驗絲滑，低延遲是必不可少的。

這里有一個關鍵數據：延遲是否低于1.7秒。

如果低于這個值，人們會覺得與AI交流很自然；當延遲達到2秒-3秒，使用體驗上感覺到有些卡頓，反應稍顯遲緩。

而聲網對話式AI引擎，經過在中、美、歐、東南亞主要城市實測，能夠做到響應延遲中位數650毫秒。這樣的反應速度就能做到與人類對話體驗相仿，消除用戶等待的焦慮感。

響應延遲只是保障流暢對話體驗的基礎，進入實際應用后，還有更多關鍵技術。

真實人類對話的一個重要特征是可以自然地打斷對方，而大多數AI對話系統在這方面表現不佳。聲網對話式AI引擎支持用戶隨時打斷AI的回應，打斷響應低至340ms，真正模擬人與人之間的自然對話節奏。

在嘈雜環境下，普通語音識別往往難以準確捕捉用戶意圖。聲網的對話式AI引擎能屏蔽95%的環境人聲和噪聲干擾，精準識別對話人聲，即使在人聲嘈雜的公共場所，也能保持對話質量。

以下視頻來源于

聲網

在地鐵、地下車庫等網絡信號不佳的環境下，普通語音互動應用往往卡頓或斷連。

聲網之所以能解決這個問題，是因為聲網的軟件定義實時網SD-RTN在全球建設了200多個數據中心，建立連接時選址也都是選在離終端用戶最近的地方。

再結合獨家智能路由+抗弱網算法，可以做到各種復雜網絡環境下的跨區域絲滑互動，在面臨80%丟包的情況下人與Agent也能穩定交流，即使斷網3-5s依舊可以流暢對話。

最后，該引擎不局限于特定大模型，能實現DeepSeek、ChatGPT等全模型適配，同時其音視頻SDK支持30000+終端機型，徹底解決多設備兼容性的后顧之憂。

15分鐘任何應用加裝AI語音交互

對于開發者而言，聲網對話式AI引擎最大的魅力在于其極簡的開發接入流程和強大的靈活性：

極簡接入：

通過聲網Console后臺，開發者可以自行開通服務、在Playground中調參測試并生成代碼，僅需2行核心代碼，15分鐘即可完成從零到部署一個基于大模型的對話式AI Agent的全過程。

這一”傻瓜式”接入方式極大降低了技術門檻，讓更多開發者能夠快速進入AI語音交互領域。

靈活切換：

開發者可以根據應用場景需求，自由選擇和切換底層大模型，而無需改變前端交互邏輯。支持全球幾乎所有大模型廠商，只要和OpenAI接口協議兼容的模型廠商，自3月6日起，全部原生支持。

同時也支持全球主流語音合成供應商任意切換，支持開發者通過語音合成供應商定制的自定義音色接入。

比如在應用中不同的功能接入不同的模型，都只需簡單配置即可完成切換，真正實現一次開發，全模型適配。

廣泛兼容：

一方面是支持第三方云端大模型服務、企業私有化模型及本地化部署的開源模型無縫接入。

另一方面則是對硬件的兼容。現實場景中不同的設備可能對于語音處理效果產生影響，性能相對差一些的設備可能會產生更高的延時，需要音視頻SDK做到海量設備的兼容性，提供統一的低延時傳輸。聲網的RTC SDK支持30+平臺開發框架，30000+終端機型適配，即使是中低端機型也適用。

語音交互即服務模式誕生

聲網對話式AI引擎不僅為開發者提供了一個優質選擇，更意味著一種新模式的誕生：語音交互即服務。

讓RTC(實時音視頻)技術與大模型技術解耦，每個部分都可以交給專業的團隊去做，大模型廠商無需再花時間精力自建語音交互體系。

在這個趨勢之中，聲網通過統一API接口廣泛兼容模型，站穩了“AI語音交互中間件”這個的新生態位。

作為生成式AI行業一種全新的基礎設施供應商，聲網首席運營官劉斌也在去年底參加了量子位舉辦的MEET2025智能未來大會。

在演講中，劉斌曾強調：

任何涉及大模型多模態實時交互的應用，無論是語音還是視頻，只要存在多模態交互，這類Agent應用的落地都離不開RTC技術的支持。

幾個月后，聲網對話式AI引擎正在“讓所有AI都能開口說話”，把RTC技術落地到各類AI應用，進一步推進整個生成式AI行業變革。