首页IIT RTC Conference是伊利诺伊理工大学主办、IEEE参与的实时通信年度会议，办了很多年，往年议程基本是编解码、NAT穿透、移动网络这类偏底层的RTC工程话题。
今年（2026年9月22-23日）的会议官方设了6个分论坛：Research Track、WebRTC & Real-Time Applications、Programmable Real-Time Networks and Applications、Next Generation Emergency Communications Services（NG911）、AI in RTC，还有IEEE通信质量与可靠性研讨会。光看这个分论坛名单就能看出变化：AI in RTC被设成了独立分论坛，跟WebRTC本身是并列关系。
一. AI in RTC：覆盖了语音AI几乎所有的工程难题
这个分论坛官方涵盖的内容包括大模型和生成式AI语音、语音识别与合成、边缘AI部署、声纹识别、负责任AI实践，特别点出了延迟、隐私、互操作性这几个在生产环境里绕不开的约束。今年这个分论坛下面几场具体演讲，正好把这几层难题摆得很实在。
规模：并发上来后，转发路径会先扛不住
Hector Zelaya提出的判断是”媒体并不总是点对点传输”。传统实时通信里，两个用户通话经常能直连，TURN服务器只是兜底方案；但语音AI架构里，用户说的话几乎总要先经过服务端的AI Agent处理——识别、推理、合成完了再送回来，这条路径天然不是点对点，TURN中继的转发压力因此会随着并发用户数迅速堆高，顶到瓶颈上。他给的方案是用eBPF技术把TURN的ChannelData包转发下沉到内核层去做，不用每个包都走一遍用户空间的服务进程，减轻服务器负担。
延迟：800毫秒预算怎么分配
CCC智能解决方案的Karthik Kaiplody把语音AI一次对话的延迟拆成端点检测、语音转文字、大模型生成回复、文字转语音几段，行业公认的总预算大概800毫秒。他有个说法值得展开：”端点检测是AI的抖动缓冲”。
传统实时通信里，抖动缓冲区的作用是抹平网络传输时快时慢的问题；端点检测在语音对话里干的是同一类事，判断用户是真的说完了还是只是换气停顿一下，判断早了会抢话，判断晚了对话就显得拖沓。这一步看起来简单，实际是四段里最容易出问题、也最难做准的一环，因为它要处理的是人说话本身的不确定性，不是纯粹的信号处理问题。思科的Krishna Tyagi补充了”产出延迟”这个角度：不只是响应快不快，AI生成内容的节奏能不能跟上真实对话，同样影响体验。
实测数据：现在最快能做到多少
这套延迟拆解框架不是纸上谈兵。2026年8月一份针对语音/实时Agent推理延迟的公开评测，测了OpenAI、Google、Anthropic、Groq、Cerebras等多家服务商的模型和推理平台：大模型首字延迟（TTFT）最快的是Baseten平台跑gpt-oss-120b，万级token输入负载下做到0.23秒；语音端到端延迟方面，Deepslate Opal是0.44秒，Grok Voice Think Fast 2.0是0.70秒，OpenAI的GPT-Realtime-1.5是0.81秒；语音合成音质对比上，Cartesia Sonic 3.6拿到1288分（Elo评分），高于ElevenLabs Flash v2.5的1083分。这组数字说明800毫秒预算是真实可以做到的目标，也说明延迟和音质是要一起权衡的两个指标，跑得快不代表听起来自然。
信任：语音AI已经在生产环境里直接面对用户
KR3信息系统的Neha Prakash提出的问题是：语音AI现在直接对着真实用户说话、做决策，中间没有人工审核这道传统安全网了。她给的应对思路是分层防御：入口处做边界认证，给AI能采取的动作划一个明确的范围，敏感数据做分割和去标识化处理，关键操作路径上加并行运行的防护栏，遇到高风险操作主动上报给人来判断。
二. NG911：应急通信这个最保守的场景，也在往AI化走
NG911分论坛官方关注的是FCC对IP化911系统的监管要求，以及AI/ML技术在处理多媒体报警信息、提升定位准确度上的应用。
产业侧已经有真实动作：通信设备商Comtech在2026年6月发布了Allerium Coral，把NG9-1-1网络从单纯的”传输层”改造成”协调层”，让事故信息能在不同应急机构之间实时交换，而不是分散在各自的门户系统里各看各的。美国陆军官方网站也报道过Fort Irwin基地实现了下一代911系统的一个里程碑，具体系统集成细节这里不展开，只是想说明：连应急通信这种”出错代价极高、天然保守”的场景，也已经在往实时协同和AI辅助这个方向走了。
三. Programmable Real-Time Networks：网络这一层也要学会自己管自己
这个分论坛官方关注Open RAN、云原生5G核心网、网络API，以及AI驱动的网络自动化。今年具体的演讲里，Origami Networks的Greg Agami讲的是自主网络容量管理——网络能不能自己判断负载、自己调整容量，不需要人工介入。这跟语音AI场景里”流量模式突然变得不可预测”（比如一个语音Agent同时被几万人调用）背后的诉求是一致的：传输层不能只靠人工规划扩容，得自己具备实时判断和调整的能力。
结语
相比某一场具体演讲的技术细节，一个学术会议把”AI in RTC”设成独立分论坛这件事本身分量更重：语音AI对实时系统提出的规模、延迟、信任这几个问题，已经被这个领域正式承认为独立的研究方向，这一点从分论坛这种正式的学术建制、以及实测数据里能压到0.7秒以内的真实进展上都能看出来。
