K 歌 & 语聊
随着对话式AI加速走向规模化商用，人机交互范式正在重构，WebRTC的应用变化，也成为观察这一轮产业变革的重要技术窗口。在 iRTE2026 实时智能大会上，声网创始人兼 CEO赵斌分享了实时互动行业变化、对话AGI演进路径。
过去一段时期，实时互动赛道涌现多个标志性信号。OpenAI 在实时对话模型中持续采用 WebRTC 技术栈，并通过 WARP 协议优化握手流程，降低人机对话建连延迟，带动不少对话大模型团队跟进适配优化。与此同时，对话式AI企业持续落地企业侧商业化场景，超大规模实时直播也不断刷新并发承载记录；AV2编码标准定稿、AV1在主流浏览器逐步落地，编解码技术的持续迭代，共同夯实实时双向交互的底层条件。
更深层的变化，来自对话AI本身的范式升级。传统回合制一问一答模式，正在向快慢脑分工、支持随时插话打断的全双工Agent方向演进，实时视频生成技术也逐步达到可交互水平。对话开始成为一种独立的人机界面，部分服务脱离传统App入口，直接依托通话、对话承接业务需求。赛道机遇之下同样伴随调整，AI陪伴市场空间持续增长，行业也同步经历市场洗牌与规范化建设。
不过，人机 AI 交互的兴起，并不会替代人与人之间的实时互动需求，二者属于共生关系。面向人的音视频实时互动规模仍保持稳步增长，智能终端普及、高清能力下沉、低功耗设备适配，持续拓宽实时互动的落地场景。想要支撑对话AGI大规模落地，仅依靠 WebRTC 这类通信协议并不充分，行业还需要配套完整、低时延、高稳定的实时AI基础设施。
赵斌将对话体验划分为五级演进阶段，从基础应答、主动互动，逐步走向理解人设处境、适配多人协作，最终实现具备长期上下文感知的深度沟通。他同时提出两条并行的技术路线：级联方案可控易运维，更适配现阶段商用生产；端到端全双工模型属于前沿探索方向，更贴近自然人的对话方式。一套可用的对话系统，需要完成感知信号、解析意图、生成表达三项基础工作。依托多年实时互动积累，声网基于 SD-RTN 全球虚拟传输网络、云边端协同推理、TEN Framework 编排框架以及对话式 AI 引擎，向开发者提供实时交互底座与工具能力，支撑客服、AI 陪伴、在线教育等场景对话Agent的开发落地。
对话AGI的探索仍处在持续推进的阶段。WebRTC的普及与迭代，为这一轮实时人机对话提供了通信基础，声网将持续完善面向对话智能的实时基础设施，承接各类交互创新需求，和行业开发者一同探索更自然流畅的人机交互形态。
