《科创板日报》3 月 8 日讯（记者 李明明）在生成式 AI 的浪潮下，行业普遍认为多模态大模型是实现 AGI 的必经之路，知名投资机构 a16z 最新关于 Voice AI 的报告也显示，随着大模型的不断进步，语音将成为一种关键的切入点，即对话式 AI。

随着对话式人工智能技术的日益成熟，其应用场景也呈现出爆炸式增长。聊天机器人作为对话式 AI 的重要应用之一，被广泛用于客户服务、教育、医疗、娱乐等多个领域。

那么，对话式 AI 的爆发年会先出现在哪个领域和场景？

近日，在声网对话式 AI 引擎发布会上，阿里云智能集团通义千问高级产品架构师辛晓剑、Minimax 解决方案高级总监冯雯、腾讯云 AI 产品架构师总监曹超，声网 AIRTE 产品线负责人姚光华参与了讨论。

多位与会嘉宾认为，对话式 AI 可能率先在桌面助手、手机助手、智能硬件、陪伴机器人等场景爆发。

腾讯云 AI 产品架构师总监曹超表示，对话式 AI 特有的优势在于能够有感情、有温度地传递声音和交互的方式，而且随着模型的升级，可以带来更多情感的传递。

" 应用场景来看，对话式 AI 不适合视觉场景，所以现在更多的是语音和听觉交互场景。比如有些老人视力会有一些不便，用微信也都是长按说话，放到耳边贴得很近去听去看。这些人群同样需要一些工具解决自己的沟通和解决问题的诉求，对话式 AI 也给这些人群打开了新的机会和可能性。目前对话式 AI 的硬件视角很多也是基于手机。"

阿里云智能集团通义千问高级产品架构师辛晓剑补充道，" 教育领域的学习机也是一个比较好的场景，目前全国的学习机出货量大概是每年 6000 万台，且由于大模型的加持，客单价有了非常明显的提升，此前学习机客单价为三四千块钱，现在网上品质稍好的学习机均价已经达到八千以上，这就是对话式 AI 加持带来的溢价空间。"

‌据了解，目前市场上的对话式 AI 产品主要包括‌亚马逊 Alexa+、‌汤姆猫 AI 情感陪伴机器人、‌苹果 Siri、‌ Manus 等。

近日，声网发布了全球首个对话式 AI 引擎，凭借 650ms 超低延时响应、优雅打断、全模型适配等五大能力，对话式 AI 引擎可支持任意文本大模型快速升级为 " 能说会道 " 的对话式多模态大模型。

声网 AI RTE 产品线负责人姚光华表示，" 经过一段时间与客户的打磨及实际使用场景调研，经统计，用户与 AI 每产生 1 次对话中，平均会有约 3 轮问答，计算下来平均对话时长约为 21.1s，单次成本仅需 3 分钱。如果每月对话次数 15 次，那么月成本不到 5 毛钱，年成本也只需 5 元。"

据介绍，通过声网对话式 AI 引擎，开发者可以快速部署智能助手、虚拟陪伴、口语陪练、智能客服、智能硬件等对话式 AI 场景。例如智能助手场景可以通过自然语言交互，帮助人们进行日程管理、信息查询和任务执行。

谈及大模型从文本走向多模态交互的关键方面，嘉宾们认为，多模态模型架构和训练范式变化不大，提升主要依赖数据质量和数量。实现多模态交互的关键在于将不同模态信息转化到同一语境，目前 ASR（自动语音识别，是一种将人类语音转换为书面文本的技术）技术的发展有助于实现这一点。但要让交互体验更好，还需提升模型推理速度，解决如多角色长短期记忆、区分角色等工程化问题，同时也要应对不同模态交互中的复杂情况，如语音语义差异、视频处理等。

此外，嘉宾们普遍认为，DeepSeek 爆火是好事，它实现了 AI 技术的破圈，吸引更多人关注 AI。其开源对技术发展意义重大，推动了技术交流与创新，让更多人参与到 AI 探索中。在技术方面，Deep Seek 给行业带来新思考，如在模型训练上，减少对大量数据的依赖，通过强化学习实现升级迭代，带来模型自我进化，降低算力需求，使 AI 普惠更具可能。此外，它还验证了模型 API 的商业模式，推动了应用开发范式的进步。

Minimax 解决方案高级总监冯雯表示，DeepSeek 出圈，对于 AI 行业的所有从业者都是一个很好的现象；相比之前，现在 AI 已经潜移默化地进入了更大的用户群体。" 开源确实会极大地助力技术出圈，因为 DeepSeek 开源，最近我们发布的技术报告，都在积极地把最新的成果对外展示。"