首页“帮我叫辆车去机场。”过去，这句话更多像是语音助手的演示场景：AI 听懂一句指令，然后打开对应 App，后面的选地点、看价格、选车型、下单和支付，仍然需要用户自己完成。现在，这条链路正在发生变化。
2026 年 10 月，Rokid 宣布与腾讯出行服务合作，在 AI 眼镜上上线原生打车服务。用户只需要说出目的地，眼镜便可以继续完成地点推荐、上下车点选择、附近车辆查询、价格预估、多车型比价、下单、订单状态同步和支付等流程。更值得关注的是，这并不是简单地把一个“打车 App”搬进眼镜。
Rokid 眼镜助手与腾讯出行服务智能体之间通过 A2A（Agent-to-Agent） 协议连接。用户面对的是一个统一的 AI 入口，而具体的出行任务则由背后的不同 Agent 协同完成。
当 AI Agent 开始走出手机和电脑屏幕，语音正在从一个附加功能，变成连接人与智能体的核心入口。
一. AI Agent 走出屏幕，交互方式也开始改变
过去几十年，人和软件交互的基本方式一直没有发生根本变化。
从 PC 到智能手机，虽然设备形态不同，但用户依然需要围绕 GUI（图形用户界面）完成操作：
找到入口 → 打开页面 → 点击按钮 → 填写信息 → 确认操作。
例如叫车：
打开 App → 输入目的地 → 选择上车点 → 查看车型 → 比较价格 → 下单 → 查看车辆位置。
这种交互方式非常适合拥有大屏幕和触控界面的手机。
但当 AI 开始进入眼镜、耳机、AI 玩具、机器人等设备时，传统 GUI 就不再那么合适。
AI 眼镜的屏幕很小，AI 耳机甚至没有屏幕；机器人虽然可以拥有显示屏，但用户也不会希望每执行一个任务都先进入菜单寻找按钮。
这时候，人类最自然的交互方式反而重新变成了：
直接开口说。
“帮我叫辆车去机场。”
“提醒我到公司以后给客户回电话。”
“看看前面这家店几点关门。”
“帮我问一下附近有没有停车位。”
一句自然语言，可以同时包含任务目标、地点、偏好和上下文，而不需要用户逐层点击界面。
从这个角度看，AI Agent 的出现正在改变过去“人适应软件”的交互逻辑。
过去是：
人学习 App 怎么用。
未来则越来越可能变成：
Agent 学会理解人想做什么。
二. 为什么 Voice 会成为 AI 眼镜等设备的重要入口？
1. 无屏或弱屏设备天然需要新的交互方式
手机可以把复杂功能塞进多个页面。
AI 眼镜、耳机和大量智能硬件却很难照搬这种方式。
如果每次操作 AI 眼镜都需要用户停下来、盯着一个小屏幕、逐层寻找菜单，穿戴设备原本“随时可用”的优势就会被削弱。
语音则允许用户在走路、开车、拿东西甚至视线被占用的情况下继续与 AI 交互。
这也是为什么，设备越接近“随身”和“无屏”，Voice 的价值越明显。
2. 自然语言更适合表达复杂意图
用户真正的需求往往并不是一个标准化按钮能够完整表达的。
例如：
“帮我叫辆车去虹桥机场，别太贵，我有两个行李箱。”
这里同时包含了：
- 目的地；
- 价格偏好；
- 行李情况；
- 潜在的车型需求。
如果使用传统 UI，这些信息可能需要分布在多个页面里逐项选择。
而 Voice Agent 可以直接从一句自然语言中提取用户意图，再把任务拆解并交给不同服务完成。
3. Agent 让“说一句话”真正有机会完成任务
早期语音助手其实也能听懂“我要去机场”。
问题在于，它往往只能：
听懂 → 搜索 → 返回信息。
Agent 出现以后，后半段能力发生了变化。
它可以继续：
理解目标 → 调用工具 → 调用其他 Agent → 获取结果 → 执行任务 → 持续反馈。
在 Rokid 与腾讯出行服务的案例中，A2A 连接的意义就在这里：眼镜上的 Agent 不需要自己拥有全部出行能力，而是可以调用专门的出行服务智能体完成任务。
于是用户面对的不是几十个 App，而可能只是一个能够持续理解意图的统一入口。
三. 但“能听懂一句话”，还不等于真正的 Voice Agent
如果只是把用户语音转成文字，再交给大模型生成一句回复，今天已经不算特别困难。
真正复杂的是，当 Voice Agent 开始承担实际任务后，对话不再是一问一答的静态过程。
例如在叫车过程中，用户可能会不断改变想法：
“帮我叫辆车去机场。”
几秒后：
“等等，不去虹桥了，改成浦东。”
Agent 正在查询车型时，用户又问：
“大概多少钱？”
看到结果后又补充：
“别选最贵的。”
与此同时，后台的地图、叫车、支付等服务还在持续返回状态。
这意味着 Voice Agent 面对的已经不是：
一句语音 → 一次回答
而是一个持续变化的实时任务。
真正自然的 Voice Agent，需要同时处理：
- 用户什么时候开始说话；
- 什么时候真正说完；
- 用户是不是在打断 AI；
- 是否需要停止当前播报；
- 后台任务是否仍然继续执行；
- 新的指令是否改变原来的任务；
- 什么时候最适合向用户反馈结果。
因此，Voice Agent 本质上并不是简单的 ASR + LLM + TTS。
它还需要一套能够持续管理音频、对话状态和任务状态的实时交互系统。
四. AI 眼镜上的 Voice Agent，真正难在哪？
1. 延迟：用户不能一直等 AI“想完再说”
文字 Agent 慢几秒，用户可能只是觉得回答速度慢。
语音 Agent 一旦长时间没有声音，体验会明显不同。
人在真实对话中会依赖大量即时反馈判断：对方有没有听见？是不是正在思考？我的指令有没有被理解？
如果 Voice Agent 在调用地图、数据库或外部 Agent 的过程中沉默几秒，用户很容易误以为系统卡住、网络断开，甚至再次重复指令。
因此，Voice Agent 关注的不能只有“大模型生成速度”，而应该是完整的端到端交互延迟。
从用户开口到 AI 做出反馈，中间可能经过：音频采集 → 网络传输 → VAD / Turn Detection → ASR 或语音模型 → LLM → Tool / Agent 调用 → TTS → 音频播放。
任何一个环节增加等待，都会直接影响用户感受到的“实时性”。
2. 打断：用户必须能够随时改变主意
真实的人类对话不会严格遵循“你说完，我再说”的轮流模式。
尤其是 Agent 开始执行实际任务以后，打断会变得更加重要。
例如 AI 正在说：“附近有三种车型，目前预计……”
用户突然说：“等等，我改去浦东机场。”
系统需要快速识别这是一次有效打断，停止当前语音，并处理新的任务状态。
声网对话式 AI 引擎支持语音打断和主动 API 打断，并提供基于语义判断的优雅打断能力，用于判断用户当前是否真正结束发言，从而降低机械式抢话或误打断的问题。
3. 全双工：人与 AI 不应该只能轮流说话
传统语音机器人通常更接近半双工：
AI 说话时，用户等待；AI 说完后，用户再开始下一轮。
但如果 AI 眼镜真正成为日常助手，这种交互方式会显得非常机械。
自然对话往往存在：
- 插话；
- 短暂重叠；
- 追问；
- 修正；
- 停顿；
- 即时反馈。
因此，Voice Agent 需要从传统的“语音问答”逐步走向更接近真人交流节奏的实时双向对话。
4. 复杂环境：眼镜必须在真实世界里“听清楚”
AI 眼镜不是实验室里的麦克风。
它可能被使用在：
- 街道；
- 机场；
- 商场；
- 地铁站；
- 餐厅；
- 车内。
这些环境同时存在交通噪声、音乐、人声和各种背景音。
对于随身 Voice Agent 来说，一个非常实际的问题是：
周围有十个人在讲话，AI 到底应该听谁？
因此，除了 ASR 准确率之外，实际产品还需要处理环境降噪、回声消除、目标说话人识别、VAD 和音频前处理等一系列问题。
五. 从 Voice Interface 到 Conversational AI Infrastructure
当 Voice 成为 AI 眼镜、耳机、机器人等设备的核心交互入口以后，决定体验的就不只是模型本身。
一套完整的实时 Voice Agent 链路，更接近：
用户语音 → 实时音频采集与传输 → 音频处理 / VAD → ASR 或实时语音模型 → LLM / Agent → Tool / A2A → TTS → 实时播放与打断。
这里其实存在两个不同的技术层。
一层负责：“Agent 应该做什么？”
例如理解用户想去哪里、调用哪个出行 Agent、应该选择什么服务。
另一层负责：“Agent 怎么和人自然地实时交流？”
包括什么时候开始听、什么时候结束、什么时候开口、什么时候被打断，以及音频在复杂网络环境下如何稳定传输。
前者更多属于大模型和 Agent 能力。后者则属于实时对话基础设施。对于真正面向用户的 Voice Agent，两者缺一不可。
六. 声网对话式 AI：让模型能力真正变成实时交互体验
声网对话式 AI 引擎的定位，并不是替代 LLM、ASR 或 TTS，而是把模型与实时互动能力连接起来，帮助开发者构建更自然的实时 AI 语音体验。
1. 低延迟实时对话
Voice Agent 的体验首先取决于“回应够不够快”。
声网对话式 AI 引擎针对实时语音链路进行全链路优化，官方数据显示端到端响应延迟最低可达 650 ms。
对于 AI 眼镜、AI 玩具、机器人等持续对话设备而言，这种实时性决定了交互究竟更像“调用一个 AI 服务”，还是更像“和一个对象说话”。
2. 优雅打断，让用户随时插话
在真实对话中，用户随时可能改变任务、补充信息或纠正 AI。
声网对话式 AI 引擎支持语音打断、手动打断以及基于语义判断的优雅打断能力。官方产品资料显示，打断响应可低至 340 ms。
这类能力对于 AI 眼镜尤其重要，因为穿戴式 Agent 不应该要求用户等待系统完整播完一段话后才能继续表达。
3. 在复杂环境里锁定真正的对话对象
穿戴设备天然会进入开放环境。
声网对话式 AI 引擎提供选择性注意力锁定和声纹相关能力，用于降低周围其他人声和环境噪声对 Agent 的干扰。
官方资料显示，选择性注意力锁定可屏蔽约 95% 的环境人声和噪声干扰。
对于街道、商场、家庭等多人环境而言，“AI 能不能只听正在和它说话的人”，往往比单纯提升大模型参数更加直接地影响体验。
4. RTC + RTM 支撑持续的实时状态交互
Voice Agent 不只是传声音。
在对话过程中，还需要同步：
- 智能体当前是在聆听、思考还是说话；
- 实时字幕；
- 打断事件；
- 任务状态；
- 多模态消息。
声网对话式 AI 客户端组件可以结合 RTC 和 RTM 能力，支持实时字幕、智能体状态监听、打断以及相关数据事件。对于 AI 眼镜这类需要持续和云端 Agent 保持连接的设备，这种“媒体流 + 状态流”的实时同步，会比单次请求式 API 更适合自然交互。
5. 不绑定单一模型，保留 Agent 架构的灵活性
Voice Agent 技术栈变化很快。
今天使用一种 ASR、LLM 和 TTS，未来可能因为成本、语言、延迟或者场景需求更换另一种。
声网对话式 AI 引擎可以兼容不同 ASR、LLM、TTS 以及数字人等能力，也支持继续接入视觉理解、知识库和 RAG。
因此，它更像是模型与终端之间的实时交互层，而不是要求开发者把业务绑定在某一个模型上。
七. AI 眼镜只是开始，Voice Agent 会进入更多设备
Rokid 的语音叫车案例值得关注，并不只是因为“眼镜可以打车”。
更重要的是，它展示了一种未来可能越来越常见的产品形态：
用户通过 Voice 与一个主 Agent 交互，主 Agent 再通过 Tool Calling 或 A2A 调用背后的不同专业 Agent 完成任务。
这种方式并不限于眼镜。
同样的交互逻辑可以进入：
- AI 耳机；
- AI 玩具；
- 家庭机器人；
- 服务机器人；
- 智能汽车；
- 无人机；
- 其他无屏或弱屏智能硬件。
尤其当 AI Agent 进一步进入 Physical AI 设备后，语音的重要性还会继续提升。
因为人与机器之间的交互，不可能永远依靠 App 和按钮。
未来更自然的方式很可能是：
你直接告诉设备“我要做什么”，Agent 负责理解、规划和调用服务，而底层的实时交互系统负责确保双方始终能够自然、连续地沟通。
八. 当 AI Agent 不再被困在屏幕里
智能手机时代，App 是服务的入口。Agent 时代，这个入口正在发生变化。
用户可能不再需要记住：打车应该打开哪个 App，订餐应该进入哪个页面，智能家居应该点击哪个按钮。
用户只需要表达自己的目标：“我想去哪儿。”“我想买什么。”“我希望设备帮我做什么。”
剩下的事情，由 Agent 和 Agent 背后的服务共同完成。
在这个过程中，Voice 的角色也会发生变化。
它不再只是 ASR 前面的“输入方式”，而会越来越接近人与智能体之间的实时交互界面。
当 AI Agent 真正走出手机，进入眼镜、耳机、汽车和机器人，用户需要的不会只是一个“能听懂语音”的 AI。
而是一个：能听、能理解、能执行，也能随时被打断，并且始终保持实时响应的 Agent。
AI 眼镜上的一次语音叫车，或许只是这个变化刚刚开始的一个缩影。
