大模型迭代浪潮之下,语音交互正在跳出工具属性,并逐步演变为Agent时代重要的人机交互入口。OpenAI、谷歌、苹果相继更新实时语音能力,让人类可以流式下达指令,随时打断、调整正在运行的AI任务。这种风口催生不少企业闯入面向智能硬件的语音Agent赛道,部分企业在实际业务推进中观察到:拿到公开语音API,“小样”效果出色,但移植到硬件终端后,受环境噪音等因素的影响,体验出现不同程度的波动。

日前,作为百融智能-W (06608.HK)旗下的语音Agent全栈服务平台,百语平台正式对外上线,成为国内首批切入面向智能硬件的语音Agent平台。平台融合高质量的语音Agent,可差异化听懂话语内容、感知情绪变化,更能支持随时打断、动态调整任务,带来贴近真人的交互体验。这一产品面市的背后,是百融智能将纸面的技术指标,转化为稳定、可落地、可规模化使用的产品能力,也是语音交互驱动面向智能硬件市场的全新尝试。

风口下行业落地能力鸿沟

当前,中国AI产业的交互模式正在发生一次清晰转移,即从文字输入、图形触屏,走向语音驱动的Agent协作。不过,这不是彻底替代键盘屏幕,而是语音驱动的Agent承担任务发起、过程干预、松弛陪伴的新角色,应用场景也从以往的办公室,延展到儿童启蒙、老年陪伴等海量生活化场景。

在行业活跃发展的同时,公开语音API在不同部署环境下的表现存在客观差异。很多团队拿到公开语音API,在网页、小程序Demo效果出色,但一旦移植到硬件终端,受环境噪音、设备算力、网络波动影响,API的实际性能会相应发生变化,用户体验或不同程度地出现波动。

看到这一市场需求和痛点,不少资本切入面向智能硬件的语音Agent赛道,但要自建一套完整体系,需要配齐声学降噪、全双工对话、情绪感知、知识库记忆等能力,此外,还需要投入多组算法、硬件工程团队,研发成本居高不下。一套规模化工程化落地能力至关重要。

当前,面向智能硬件的语音Agent在功能层面呈现一定趋同性,部分产品集中于基础问答,在情绪感知、长期上下文记忆等维度尚有功能拓展空间。同时,智能硬件的量产、多语种支持及跨境合规等环节,构成相关企业商业化推进过程中需要系统性应对的工程化课题。从行业实践来看,语音Agent从模型验证阶段过渡至规模化产品阶段,其间涉及算法优化、声学调校、硬件适配及量产认证等多个环节,对服务商的全链条工程能力提出较高要求。当前市场中,部分企业对语音Agent的商业化应用存在明确需求,但在上述环节的完整实施能力方面仍有待补充。百融智能所关注的市场方向,即定位于为上述企业提供相应的技术支撑与工程化服务。

满足需求的语音Agent特性

潮水涌向语音Agent,但并不是调用一套语音接口,就可以做出符合市场需求的产品。市场对合格产品形成多层现实要求,既要有过硬的软硬协同底层能力,除基础ASR、TTS调用外,还需要回声消除、降噪、全双工打断、副语言情绪感知,适配嘈杂声场、算力受限、网络不稳定的终端环境。还需要可低成本定制的Agent能力,即依托零代码可视化配置工具实现专属人设、私有知识库、业务流程、用户记忆,摆脱简单问答的同质化。同时交付模式还要足够灵活,匹配不同研发能力的客户。而硬件量产调优、多语种、海外合规认证等商业化配套,同样决定产品落地的边界。

端到端语音全栈落地路径

为生产出符合市场需求的产品,部分企业侧重于云端模型接口的输出与优化,但百语选了一条差异化的全栈落地路线。它打通了从云端Agent、嵌入式SDK和硬件方案总集的完整链条。这个链条闯过七道关,是一整套“过关打怪”的工程活。

在大众认知中,语音对话看似门槛不高,但打造一套可用于规模化落地的生产级语音交互系统,实则具备极高技术门槛。

在规模化落地中,需要考验产品在嘈杂居家环境下的识别稳定性,对老年人口音、儿童含糊发音的兼容适配。此外,全双工对话链路方面,要有实时响应能力。同时,对话被打断后,任务进程与会话状态要依旧保持有序,长周期对话过程中,上下文逻辑要持续连贯。陪伴闲聊场景下,考验输出语气的自然度,而工具调用与语音数据流之间状态需要同步,用户个性化标签、数据使用过程中,要做好安全合规处置。这些,都是百融智能团队持续攻坚、逐项打磨的核心难点。

如今,突破这些难点后,百语已构建成熟的高阶人机交互入口,打通声学前端处理、模型推理运算、硬件适配、场景适配以及后续运营等完整全链路。这也让百语平台成为当前面向智能硬件市场的语音Agent赛道下的先发者。

四套差异化交付方案

拥有了高质量的语音全新交互通道之后,百语平台结合百融智能的底层技术底座,提供了四档梯度交付方案,适配不同研发实力的客户。

对于技术储备充足的软件团队,可直接调用云端API,一周左右即可完成对接。针对具有硬件开发能力的企业,可跳过底层声学与算法开发,拿到预调优完成的嵌入式SDK。针对硬件能力薄弱的厂商,可直接采购标准PCBA核心板后,完成外壳结构的后续开发流程。针对完全零硬件研发经验的企业,则可选择全栈ODM整机交付,其间百语平台将声学调优、供应链量产、合规认证全部打包,企业拿到手就能够销售。这套分层体系,成为百语平台和多数语音API厂商最核心的差异。

具体到客户获益上,在底层底座上,百语采用模块化端到端语音架构,模块可以独立迭代、故障隔离,兼顾低延迟和全双工交互的功能,具备回声消除、双层降噪能力,并原生支持随时打断、语义轮次判断,同时还可以识别性别、年龄、情绪等副语言信息。

平台还内置可视化零代码工具,依靠拖拽即可完成Agent搭建,并支持私有RAG知识库、角色人设、极速音色克隆、声纹绑定与长期记忆,帮助客户快速形成差异化交互体验,而不是千篇一律的问答机器人。

针对出海与弱网场景,百语平台也做了专门适配,依托全球RTN实时网络,即便网络丢包达到80%,语音交互依旧可以保持流畅,而这种服务已覆盖200多个国家和地区,百语平台还搭配了海外合规相关能力的输出,解决企业出海方面的合规痛点。

从收益账来看,企业综合AI研发成本最高可降低80%。分层交付模式下,产品整体上市周期能够缩短40%以上。百语平台还支持License授权、按量资源包、阶梯量产采购多种灵活计费模式,形成多元化的产品价格体系。

从软件到多元硬件终端的广阔市场

这套全栈能力,对应的市场边界覆盖软件与大量硬件赛道。软件层面,可服务网页、小程序语音应用。硬件场景则更加丰富,AI玩具、早教故事机,依靠音色克隆、角色记忆赋能陪伴体验产品。智能家居、穿戴设备可在家庭嘈杂环境下完成流畅多轮语音控制。面向中老年群体的陪护软硬件,依托方言识别降低使用门槛。而线下营业厅的交互终端,实现7×24小时不间断业务咨询。

语音交互正在从简单的工具,进化为人和AI Agent协同的重要通道。但技术跑分只是起点,谁能把实验室能力稳定移植到万千产品之中,谁就能够抓住这一轮红利。在这一赛道上,百语平台已形成先发优势。