構(gòu)建AI實時音視頻互動 聲網(wǎng)這套方案聽、看、思、說樣樣精通

在生成式人工智能領(lǐng)域，大模型多模態(tài)交互能力的升級正掀起一股新的AI浪潮，在RTC能力的加持下，人與AI的交互不再局限于文字，也可以通過語音通話進行生動、流暢的低延時交互，這也成為當下國內(nèi)外大模型廠商新的發(fā)力點。

今年5月，GPT-4o的發(fā)布開創(chuàng)了AI實時語音交互的先河。在此之前，一些傳統(tǒng)的大模型已經(jīng)具備語音交互的能力，但一般采用WebSocket方案，這一方案雖然應(yīng)用廣泛，但其傳輸架構(gòu)是基于TCP協(xié)議來構(gòu)建，延遲較高，在STT-LLM-TTS的三步驟中，一個來回的延遲就要2-3秒，在弱網(wǎng)等非理想網(wǎng)絡(luò)環(huán)境下，整體語音交互的延時更達到4秒+。在GPT-4o采用RTC方案后，展現(xiàn)出了自然、流暢的低延時語音交互體驗，也讓更多企業(yè)與開發(fā)者看到了在AI語音交互中RTC方案的更優(yōu)性，并積極與RTC廠商合作，升級AI語音交互的體驗。

聲網(wǎng)對話式AI解決方案

構(gòu)建實時多模態(tài)AI語音交互

聲網(wǎng)作為全球?qū)崟r互動云行業(yè)的開創(chuàng)者，在音視頻領(lǐng)域積累了深厚的技術(shù)優(yōu)勢與場景實踐，通過與客戶在AIGC場景的深度合作，探索出了一套實時多模態(tài)對話式AI解決方案，該方案以語音為核心，支持視頻擴展，實現(xiàn)文本/音頻/圖像/視頻的組合輸入&輸出，通過豐富的功能構(gòu)建真實、自然的AI語音交互體驗。

例如對交互延遲進行優(yōu)化，延遲可做到1s以內(nèi)；支持AI降噪、背景人聲過濾，讓語音對話更純靜；支持隨時打斷與超擬人化人聲合成，讓對話更智能與逼真；同時還支持靈活可擴展的AI Agent架構(gòu)等一系列功能，幫助開發(fā)者與企業(yè)快速構(gòu)建適配自己業(yè)務(wù)場景的AI實時語音對話服務(wù)。

圖：聲網(wǎng)實時多模態(tài)對話式AI解決方案架構(gòu)圖

1、延遲低于1s，極速響應(yīng)：聲網(wǎng)實時多模態(tài)對話式AI解決方案可做到語音對話延遲低于1s。通過在客戶端進行低延遲的音頻采集和播放、借助聲網(wǎng)自研的SD-RTN?實時傳輸網(wǎng)絡(luò)實現(xiàn)全球范圍的低延時RTC傳輸，并進一步通過更精準低延遲的AI VAD、更快速的LLM推理首字耗時、低延遲流式TTS、同機部署等一系列技術(shù)手段，保證對話的實時性與流暢性。

2、智能打斷，貼近真實會話：在人類真實的語音對話中，打斷對方并提出新的疑問是非常常見的現(xiàn)象，而在AIGC場景，能否支持隨時打斷也成為衡量大模型智能化的重要指標。聲網(wǎng)的方案也支持先進的AI語音活動檢測（AI VAD）技術(shù)，可實現(xiàn)靈敏的自然語音打斷，模擬人類對話的自然流動，讓對話更加真實、自然。

3、嘈雜環(huán)境下也能清晰對話：即使在嘈雜的環(huán)境中，聲網(wǎng)的解決方案也能保證清晰的語音交流。通過AI噪聲抑制、背景人聲過濾、音樂檢測/過濾等算法，確保人與AI的對話不受環(huán)境干擾，始終保持順暢。

4、靈活可擴展的AI Agent架構(gòu)：AI Agent作為大模型的應(yīng)用框架，其重要性不言而喻。對于開發(fā)者而言，往往會根據(jù)自身的喜好或者業(yè)務(wù)場景選擇不同的組件搭配AI Agent。對此，聲網(wǎng)的解決方案采用了靈活可擴展的AI Agent架構(gòu)，兼容市場主流的ASR、LLM和TTS技術(shù)，并具備工作流編排能力，幫助開發(fā)者與企業(yè)根據(jù)特定需求定制和擴展AI驅(qū)動的實時互動體驗。

5、超擬人化人聲合成：在一些傳統(tǒng)的AI語音對話中，AI角色機械式的聲音大大降低了對話的真實感。針對這一痛點，聲網(wǎng)的解決方案超可實現(xiàn)超擬人真實音色，合成的聲音幾乎與真人無異，且支持私人定制音色，模擬喜怒哀樂等多種情緒表達，提升用戶體驗，使互動更加自然，還原真實體驗感。

6、支持RTC與SIP網(wǎng)關(guān)互通：AI電話客服是當下AIGC應(yīng)用最廣泛的場景之一，具備呼叫中心坐席的特性，對此，聲網(wǎng)的解決方案也支持RTC與SIP網(wǎng)關(guān)互通，用戶可直接通過聲網(wǎng)的RTC SDK直接呼叫企業(yè)客服中心坐席，有效的降低客服成本，提升客服效率。

RTC能力加持下

AIGC應(yīng)用場景迎來爆發(fā)

聲網(wǎng)在與客戶的合作中發(fā)現(xiàn)，在RTC的加持下，AIGC應(yīng)用場景迎來進一步爆發(fā)，AI智能助手、AI情感陪伴、AI口語老師、AI客服的AI交互體驗進一步升級，學(xué)生的學(xué)習效率更高，社交陪聊場景的娛樂性與沉浸感也進一步增強。

來自量子位智庫推出的AI智能助手用戶數(shù)據(jù)報告顯示，截止8月國內(nèi)市場的AI智能助手App已超過64款。在AI情感陪伴領(lǐng)域也涌現(xiàn)了Soul、星野、Wow等一系列人氣社交APP。

以AI情感陪伴為例，隨著多模態(tài)交互能力的升級，當下AI情感陪伴類產(chǎn)品正呈現(xiàn)出三個特征：

1、語音/視覺交互：除了傳統(tǒng)的文本交互外，越來越多的AI情感陪伴類APP也在加入語音通話的功能，讓AI陪伴更具有真實感。同時在視覺交互方面，部分產(chǎn)品也支持了視頻通話功能，通過3D建模、擬真渲染等技術(shù)構(gòu)建逼真的數(shù)字人，讓人與AI的情感交互更加擬人化。

2、情感計算：人與AI的一個核心區(qū)別就是人具備情感，為了讓AI的回答更加智能與真實，許多AI陪伴產(chǎn)品開始加入情感計算的能力。通過語義識別、面部表情等信號檢測用戶的喜怒哀樂等情緒狀態(tài)，并做出對應(yīng)的情感回應(yīng)，實現(xiàn)更加人性化的交互體驗。

3、私人定制：標準化的人機交互千篇一律，個性化的定制才更有新意。具備個性化定制能力，提供自主創(chuàng)作和個性化選項已經(jīng)成為AI陪伴類產(chǎn)品的新趨勢，例如定制原生IP角色、定制IP專屬畫風和語音體系、定制專屬互動話題等一系列功能。

圖：電影《Her》里的AI助理被視為AI情感陪伴的啟蒙

在AI口語老師場景，聲網(wǎng)觀察發(fā)現(xiàn)，1v1教學(xué)場景非常適用AI口語老師，從真人教學(xué)變成自學(xué)模式，例如正價課1v1與Demo課1v1教學(xué)，AI數(shù)字人老師將代替真人，1v1 AI口語老師將成為未來語言學(xué)習機構(gòu)必備的應(yīng)用，AI數(shù)字人老師可能用于大齡學(xué)生與成人，卡通IP可用于低幼齡的課程。同時在職業(yè)教育賽道，已經(jīng)有不少教育機構(gòu)在大班課場景利用AI數(shù)字人老師教學(xué)。

同時，在游戲社交、AI分身、實時語音翻譯等場景，實時AI語音也大有可為。例如，在狼人殺、誰是臥底等場景，AI NPC角色雖然已經(jīng)在應(yīng)用，但是AI的痕跡還是較為明顯。在大模型具備實時語音交互能力后，誰是臥底中的AI角色可以做到快速的推理并發(fā)言，再搭配語音仿真技術(shù)，有望做到AI角色的以假亂真。