2026年10月23日，在iRTE2026实时智能大会上，声网创始人兼CEO赵斌发表了题为《对话AGI：实时互动的下一章》的演讲。
过去一年，实时互动行业发生的变化，既体现在使用规模与体验提升上，也体现在它与AI越来越紧密的结合中。当AI开始持续感知环境、参与交流并执行任务，实时互动技术需要承担更广泛的职责：连接人与人，连接人与Agent，并支撑模型、工具和设备之间的实时协同。
围绕这一变化，赵斌从实时互动的使命跃迁、下一代实时AI基础设施、对话式AI的能力进化三个方面，梳理了行业正在发生的进展与下一阶段的机会。
一、 实时互动的使命跃迁
实时互动是人类的本质需求，技术和场景的进步，仍在释放尚未被满足的需求。
过去三年，声网平台人与人实时互动的服务量实现翻番，从2023年的约0.6万亿分钟，增长至2026年的1.2万亿分钟以上。这表明，在AI带来新增量的同时，人与人的互动仍有持续增长的空间。
今年超级碗期间，MrBeast在Whatnot的直播提供了一个具体例子。这场持续72小时的活动，以1080P、5Mbps的高清码流，支撑了超58万级单频道峰值并发观众，单频道带宽峰值达到2.76Tbps。超大规模与低延迟结合，让抽奖、竞拍和即时反馈能够发生在同一场直播中，也为电商、体育与线上娱乐拓展了更强参与感的产品形态。
需求增长同样来自基础体验的持续改善。全链路性能优化、自研美颜和硬件编解码的配合，正在让更多设备稳定参与高清互动；超分辨率技术，让儿童手表等低功耗终端能够以较低分辨率采集，在手机端还原更清晰的画面；终端兼容和持续质量闭环，则让用户能从更多类型的设备接入。这些工作扩大了高质量实时互动的可用范围。
更深层的变化，是实时互动的对象从人与人扩展到了人与AI。
OpenAI对WebRTC的深入采用，是这一变化的重要信号。从提供实时对话接口，到围绕高并发、低延迟语音AI公开工程实践，模型公司对实时通信技术的投入，说明模型能力要进入自然对话，还需要成熟的传输、连接和媒体处理能力。WebRTC因此获得了新的应用空间，逐步成为实时AI的重要基础技术栈。
与之相伴，AI正进入实际业务流程和新的终端。以Sierra为代表的企业级对话Agent，将交流延伸到查询、预约、修改订单等业务动作；AI眼镜把说话变成更自然的操作入口；生成式视频开始跨过生成速度快于播放速度的门槛，为实时数字人、互动直播等场景打开技术空间。对话正成为用户调用信息、软件和服务的一种重要方式。
这一阶段的行业机会，也就同时存在于两个方向：继续改善人与人的互动体验，以及让AI具备在真实环境中参与互动的能力。后者尤其考验系统能否在噪声和多人说话中锁定交流对象，能否理解停顿与打断，并及时作出恰当回应。
二 、实时AI需要怎样的基础设施
当AI成为持续在线的交流对象，基础设施的设计目标也随之变化。
常规AI任务往往可以按“请求、排队、推理、返回结果”的顺序完成。对话则有持续的时间约束：用户可能在AI说话时打断，也可能补充条件、改变意图；工具调用尚未结束，交流仍要继续。系统必须一边接收新的信息，一边更新理解、生成回应和执行动作。
因此，实时AI基础设施需要同时支持实时推理、实时编排和大规模全双工交互。
实时推理，要求语音、语言和多模态模型能够流式处理输入，在对话持续发生时理解与生成。赵斌提出，随着设备端和边缘侧算力提升，端、边、云联合推理将成为重要方向。不同任务可依据时延、负载和场景需求，选择适合的计算位置与模型。
实时编排，解决模型之外的协同问题。一个Agent还需要记忆、工具、业务状态及执行框架。系统要维护会话上下文，在合适的时机调用模型和工具，并把结果接回当前互动。开源的TEN Framework，正是声网与社区围绕这类实时编排需求持续探索的底层框架。
大规模全双工交互，则让人与AI能够持续、双向地交流。它需要把音视频输入、模型输出和执行状态稳定连接起来，并延伸到电话、App和智能硬件等不同入口。轮次、注意力和打断处理，也需要与模型及业务逻辑保持一致。
这三类能力都依赖可靠的实时网络。赵斌介绍，声网SD-RTN覆盖全球超过300个数据中心，长期围绕智能路由、弱网保障、负载均衡和故障切换积累能力。面向AI，这套网络还要支撑模型、工具和设备之间的信息流动，并通过时间戳同步，让多模态信号与系统动作在时间上协调一致。
由此形成的，是AI Agent的实时交互层，也是对话式AI的神经系统和控制体系：持续接收声音、画面与环境信号，维护会话状态，调度模型和工具，再将回应与行动带回真实场景。每次行动的结果，又成为下一次感知和决策的输入。
赵斌将这一方向概括为，从RTE走向iRTE，依托声网全球实时网络构建分布式实时同步推理云。对行业而言，这意味着基础设施的价值，正在从传输音视频，延伸到支撑智能系统持续运行和协同。衡量系统的效果，也需要同时关注网络、推理、编排以及最终的对话体验。
三、对话式AI从参与对话到“比人还会说话”
基础设施支撑实时交互，模型和系统则决定AI如何参与其中。赵斌观察到，当前对话式AI呈现出研究与商业化并行的发展路径。
在生产系统中，ASR语音识别、LLM大语言模型与TTS语音合成组成的级联架构，仍是许多垂直应用的选择。它便于调试、替换组件和接入业务系统，也更容易控制输出与成本。端到端语音模型则持续探索自然度和低延迟的上限，但在可控性、可观测性与业务集成方面仍有挑战。两条路线各有适用条件，实际选择需要服从场景需求。
在此基础上，全双工与“快慢脑”成为值得关注的探索。前者让听和说并行发生，后者让即时交流与深度推理、搜索、工具调用并行展开。赵斌判断，未来的系统还会走向更多模型协同：感知、对话响应和表达分别发挥作用，再与记忆、工具和业务状态共同完成一次互动。
让AI更会说话，需要持续改善互动感知、意图判断和语义深度运用。
互动感知，意味着理解文字之外的语气、停顿和反馈；意图判断，需要把当前表达与历史对话、个人处境和情绪联系起来；语义深度运用，则要在理解意图之后，形成合适的回应与行动。声网Conversational Model及Conversational Agent System的探索，正围绕这些能力，将混合模型、记忆、评估、工具与实时网络结合起来。
这些能力正在实际场景中接受检验。在客服领域，赵斌观察到，部分具体任务中的AI对话与服务体验，正逐步接近甚至超过人工水平；在陪伴领域，一些企业开始从售卖硬件，转向持续交付内容与对话服务；在教育领域，对学生学习状态和进度的理解，有望支撑更有针对性的辅导。陪伴服务的长期发展，也需要回应依赖风险、未成年人保护等问题，与不断演进的监管要求相适应。
开发方式也在变化。实时互动AI开发工具包，将Skills、CLI、60多种Recipes与Agora SDK结合，帮助开发者和AI编程助手以分钟级速度搭建Voice Agent基础流程。从原型进入真实业务，仍需要持续打磨网络质量、对话行为和系统集成。开发门槛的降低，让更多团队有机会把精力投入具体场景的体验与服务。
如何判断这些进步最终把对话AI带向哪里？赵斌提出了五级对话能力框架，观察对话从表达走向沟通的演进。这套框架提供了一个更贴近真实使用的评价视角：除了回答是否准确、声音是否自然，还要观察AI能否理解具体的人，能否在合适的时机表达，并在长期互动中持续更新理解。对话AGI，是赵斌对这一演进方向的展望。
它可能首先改变人们熟悉的日常体验：电话服务不再依赖层层菜单，接听助理协助处理来电，客服人员从重复话术转向管理和优化AI服务，跨语言交流变得更容易。随着Agent逐步参与这些过程，Agent与Agent之间的对话也将自然发生。
对实时互动行业而言，下一阶段的任务已经具体起来：把模型能力、业务执行与实时基础设施连接起来，让AI在真实世界中持续听见、理解、回应并行动。这也是赵斌所描绘的对话AGI与实时互动的下一章。
