打开手机和 AI 助手聊两句，用儿童手表给家里拨个视频电话，或者在语聊房里听陌生人唱歌。这些场景看似没什么关系，背后却可能跑着同一家公司的技术。
这家公司叫声网。大多数用户没听过它的名字，却很可能在不知情的情况下，用过它的能力。
藏在 App 背后的公司
声网成立于 2014 年，创始人赵斌是技术出身，创业前是欢聚时代 YY 的 CTO。那时候开发者想在应用里做稳定的音视频通话，基本得自己搭底层，费时费力。声网把这些复杂能力打包成 API，开发者写几行代码就能调用，相当于把修桥铺路的活揽到自己身上。
它的客户名单里不缺熟悉的名字。社交领域有陌陌、Soul，电商领域有 Shopee，游戏领域有 Unity、KOOK，教育领域有新东方，金融领域有众安保险、诺亚财富，办公场景里有 WPS。这些公司各自面对用户，底层的实时连接则交给声网。
小天才全线手表视频通话服务由声网提供。
2020 年 6 月，声网母公司 Agora, Inc. 在纳斯达克上市，股票代码 API，被称作“全球实时互动云第一股”。
声网最核心的资产，是一张叫 SD-RTN 的网络。可以把它理解成一条专门跑音视频的全球高速路，覆盖 200 多个国家和地区，数据传输的全球延时中位数不到 76 毫秒，投入使用十年没有发生过全网事故。实时通话最怕卡顿和失声，这条高速路解决的就是这个问题。
该公司经营状态也比较稳。2026 年第二季度，声网营收同比增长 18%，已经连续七个季度在 GAAP 口径下实现盈利。
把对话式 AI 接进老网络
声网和 AI 打交道，不是最近才赶的热闹。
2023 年，公司开始探索 AIGC 与实时音视频结合，试着把大模型和实时音视频接到一起。2024 年，赵斌在 RTE2024 大会上提出，RTE 会是生成式 AI 时代的基础设施。到 2025 年 3 月，对话式 AI 引擎正式商用。从摸索到验证再到卖出去，前后走了近两年。在声网看来，这是一条从技术探索、产品验证到商业落地逐步清晰的路径。
声网方面称，当时判断这条路能走通，主要看到三个变化。模型的语音和多模态能力越来越自然。客户需求也从单纯加一个 AI 功能，转向让 AI 直接参与服务和互动。落地中最难的环节，又都集中在延迟、打断、噪声和终端适配上，这些恰恰是声网做了多年的事。
说白了，声网的服务对象从人扩展到了 Agent。该公司解释道，“过去主要连接人与人，现在进一步连接人与 Agent”，实时音视频仍然是整个布局的底座。
衡量 AI 对话好不好，普通用户其实只关心三件事，反应快不快，能不能随时插话，吵的地方能不能听懂。声网给出的成绩是，端到端响应中位数 650 毫秒，相当于话音刚落 AI 就接上了。打断响应中位数 340 毫秒，中途插话不会被无视。它还能屏蔽大部分环境噪声，锁定正在说话的人。
声网为大疆无人机场景提供实时音视频解决方案。
一个自然的疑问是，模型厂商自己也在做实时语音，声网会不会哪天就被绕过去。
声网的看法是，模型解决的是听懂和会说，但一个产品真正上线，还要处理设备拾音、回声、网络波动、多人互动，以及大规模运行后的质量保障。这些都是模型之外的工程问题。
而且企业通常不会只用一个模型，成本、语言、地区、效果都会影响选型。声网做的是开放适配，客户想换模型随时能换，不用推翻重来。从 OpenAI、Google Gemini 到豆包、DeepSeek、商汤，主流模型基本都在它的适配清单里。
声网相关负责人在接受动点科技采访时表示，“我们的价值，是降低客户把模型变成可用产品的工程成本，并持续改善真实用户的交互体验”。
把关这件事交给懂行的人
实时互动场景多了，另一个麻烦也跟着来——内容安全。
直播、语聊、社交、游戏这类平台，审核是绕不开的基本功。但在实际操作中，平台往往要面对几个很现实的问题。审核系统和音视频系统常常是两套东西，开发者得在不同控制台之间来回切换。如果为审核单独搭一条链路，又费钱又增加复杂度。更关键的是，审核发现问题之后，如果不能马上联动禁言、下麦、封房，风险照样拦不住。
声网找的搭档，是网易智企旗下的易盾。易盾在内容安全领域做了 20 多年，也是国家标准 GB/T 45654-2025《网络安全技术 生成式人工智能服务安全基本要求》的核心编写单位之一。
双方共建的方案，思路并不复杂。开发者在声网控制台就能直接开通易盾的审核能力，不用两头跑。音频和视频审核尽量复用已有的直播和云录制链路，少花钱。审核结果通过回调直接对接业务系统，告警、禁言、下麦、封禁这些动作可以自动完成，从发现到处置形成闭环。
有一个可以参考的数字。某社交平台接入这套能力后，只有 10% 的存疑内容需要人工再确认，综合准确率达到 99.99%，审核成本明显下降。
千万级的第一棒交给玩具
AI 硬件这两年集体冒头，玩具、眼镜、录音笔、陪伴机器人，哪个会先跑出千万级。
在消费硬件侧，其合作对象也不少，小米 AI 音箱、HTC VIVE、Rokid AR 眼镜等终端，都接入了它的实时能力。
声网更看好 AI 玩具和轻量陪伴设备。理由很实在，玩具供应链成熟，IP 和零售渠道都是现成的，价格也能灵活调整，用户对陪伴和互动的价值感知最直接。
AI 眼镜被看作长期的随身入口，但佩戴、续航、显示和应用生态都还需要时间。AI 录音笔的价值清晰，问题是能不能从记录延伸到后续工作。带复杂运动能力的机器人，则还卡在成本和可靠性上。
该负责人说，“我们更关注出货之后，用户是否持续使用、是否愿意为服务付费，以及持续运行的成本是否合理”。硬件是不是门好生意，最终由这几个问题决定。
至于泛娱乐老本行，荔枝、唱吧、Yalla、Monkey 这类平台都长期跑在它的网络上。声网认为 AI 会分走一部分标准化内容和基础问答，但也会给真人社交带来新玩法，比如帮新用户破冰、参与语音游戏、辅助主持、实时翻译。真人之间的关系、信任和共同经历，在声网看来仍然有独特价值。
机器人的“神经”怎么当
在声网的未来版图里，机器人是分量最重的方向之一。
该公司自己的定位，是机器人实时交互和协同的基础设施。这个角色不只是通信管道，还包括音视频处理、对话交互、状态同步和人机协同。机器人到了真实场景，要让人看清现场，让模型及时收到信息，让指令和状态可靠传递，出了问题还得支持人工远程接管。
一个已经落地的例子，是声网和爱芯元智的合作。双方基于爱芯元智的 AX8850N 芯片完成适配，把实时视频、控制信令和状态同步接到一起，还能再叠加对话式 AI 能力。
机器人的运动控制和安全闭环归端侧系统负责，声网重点解决的，是人与机器人、机器人与云端模型及业务系统之间的实时协同。这个位置有没有价值，只看一件事，能不能让机器人更好用，任务完成得更快，规模化部署更容易。
接下来的路线已经比较明确。声网向动点科技透露，公司会继续围绕 RTE 和对话式 AI，把能力往机器人、智能硬件和社交娱乐场景里推，同时押注呼叫中心向 AI 工作流转型。在其描述里，未来的互动会有三种，人和人、人和 Agent，以及多人和 Agent 混在一起。
用户其实不关心底层跑着什么技术。他们只知道 AI 接话变快了，孩子手表里能看见父母，直播间一首歌听下来没卡顿。
声网做的就是这部分看不见的活。以后对话那头换成 AI，它还是得把信号送到，别出岔子。
