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。
