财务表现 - 2025年第二季度总营收3426万美元，同比增长11.0%（不含已终止的低毛利业务） [3] - 预计三季度收入区间为3400-3600万美元，同比2024年三季度增长7.6%-13.9% [3] - 第二季度GAAP净利润146万美元（人民币1050万元），连续三个季度实现GAAP盈利，利润额超过一季度3倍以上 [3] - 截至2025年6月30日，现金及等价物等储备达3.77亿美元 [4] 对话式AI引擎升级 - 新版对话式AI引擎新增声纹识别、数字人与视觉理解三项功能 [5][6] - 声纹识别可智能屏蔽95%环境噪音，支持多人与AI对话场景 [8] - 数字人交互支持商汤等主流方案，适用于虚拟客服、教育陪伴等场景 [8] - 视觉理解支持实时视频解析和图片识别，适用于教育、智能助手等场景 [8] 技术应用与场景落地 - 对话式AI引擎已应用于呼叫中心和AI陪伴硬件等场景 [4] - 发布全球首个AI模型评测平台（对话式），提供ASR+LLM+TTS延迟数据横向测评 [9] - 与MiniMax合作实现星野平台实时语音对话，响应速度快且音色拟人 [11] - 为MiniMax Chat提供弱网环境下清晰流畅的语音对话功能 [11] - 助力智谱清言实现低延迟视频通话和流畅对话 [12] - 支持赋之科技EBO Air 2 Plus实现多模型助手对话和20+音色切换 [12] - 赋能Miko3教育机器人实现儿童情绪识别和情感陪伴 [12][13] 行业影响与未来规划 - 对话式AI正从基础问答向深度理解、情感共鸣演进，成为下一代人机交互基础设施 [9] - 技术已渗透智能硬件、教育、社交等领域，释放行业增长潜力 [13] - 未来将持续深耕场景创新与技术迭代，提升实时互动体验 [13]

声网对话式AI引擎升级 - 核心观点：声网对话式AI引擎完成三大升级，实现多模态交互能力提升，包括选择性注意力锁定、视觉理解和数字人支持，显著提升AI交互体验[5][6][31] - 升级亮点：新增选择性注意力锁定功能，在嘈杂环境中可屏蔽95%干扰精准识别用户声音[11][12][13] - 技术突破：实现视觉理解能力，可实时看图识物并分析技术图表[18][21][22] - 集成能力：支持与商汤等主流数字人方案无缝集成，实现表情和肢体语言交互[24][25][28] 技术应用场景 - 教育领域：应用于豆神AI超拟人多对一直播课，实现AI教师低延时自然交互[38][39] - 智能硬件：赋能珞博智能"芙崽Fuzozo"情感陪伴产品，优化实时交互体验[41][43] - 家庭机器人：支持Enabot EBO Air 2 Plus实现精准语音识别和全球视频通话[44] - 行业覆盖：技术已应用于MiniMax Chat、星野、智谱清言、商汤商量等主流AI产品[45] 市场竞争优势 - 价格策略：接入成本低至每分钟0.098元，兼容OpenAI协议仅需两行代码[32][34] - 技术积累：依托多年RTE领域经验，具备音视频处理和低延迟传输核心技术[6][49] - 产品理念：以用户体验为核心，专注提升AI交互真实感和自然感[50][51] - 行业趋势：多模态AI交互成为明确发展方向，声网技术布局占据先发优势[48][52]

产品发布 - 公司于3月6日举办"AI开口，互动无界"发布会，推出全球首个对话式AI引擎，支持任意文本大模型升级为多模态大模型 [2] - 定价策略为0.098元/分钟，单次赠送1000分钟，智能打断功能增值服务0.042元/分钟 [2][7] 核心技术能力 - 模型选择多：支持DeepSeek、ChatGPT等全球主流大模型及语音合成供应商，兼容30000+终端机型 [4] - 响应速度快：全链路优化后语音对话延迟中位数650ms，打断响应低至340ms [5] - 抗干扰能力强：选择性注意力锁定功能屏蔽95%环境噪声，80%丢包率下仍可稳定对话 [5] - 开发效率高：仅需2行代码15分钟完成部署，支持LLM与TTS的URL/Key快速接入 [6] 成本效益分析 - 用户单次对话平均3轮问答21.1秒，成本约3分钱，月均15次对话成本不足5毛钱，年成本5元 [8] 应用场景拓展 - 主要落地场景包括智能助手、虚拟陪伴、口语陪练、智能客服及智能硬件 [10] - 智能硬件领域可实现语音控制、智能看护、个性化服务，覆盖AI玩具、教育硬件、穿戴设备等 [10]

核心观点 - 声网推出超低延迟实时对话式AI引擎，支持DeepSeek等大模型接入，仅需两行代码即可实现高质量语音交互[2][3] - 该引擎每分钟成本仅0.098元，单次对话平均成本3分钱，月成本不足5毛钱，年成本5元，价格极具竞争力[3][5] - 技术突破包括响应延迟中位数650毫秒，打断响应低至340ms，支持嘈杂环境和弱网条件下的稳定交互[7][8][9][10] - 开发者可在15分钟内完成AI语音交互功能部署，支持全球主流大模型和语音合成供应商的灵活切换[11][13][14] - 声网定位为"AI语音交互中间件"，开创"语音交互即服务"新模式，推动生成式AI行业变革[17][19][22] 技术性能 - 关键延迟指标：对话响应延迟中位数650毫秒，远低于1.7秒的体验阈值[7][8] - 打断功能：支持自然打断，响应时间低至340ms，模拟人类对话节奏[9] - 抗干扰能力：可屏蔽95%环境噪声，在嘈杂场所保持对话质量[9] - 弱网适应：80%丢包率下仍可稳定交流，断网3-5秒不影响流畅度[10] - 全球覆盖：依托200+数据中心的SD-RTN网络实现跨区域低延迟[10] 成本优势 - 按用量付费模式：每分钟0.098元，单次赠送1000分钟[3] - 单次对话成本：平均3轮问答/21.1秒，成本3分钱[5] - 月成本：15次对话场景下不足5毛钱，年成本5元[5] - 无使用上限：支持百万级用户规模的多模态AI应用[5] 开发者体验 - 极简接入：2行核心代码即可完成大模型对接[2][11] - 快速部署：15分钟实现从零到完整AI Agent部署[11] - 模型兼容：支持全球主流大模型厂商，与OpenAI协议兼容[13] - 音色定制：可接入语音合成供应商的自定义音色[14] - 硬件适配：音视频SDK支持30000+终端机型，覆盖中低端设备[16] 行业影响 - 模式创新：开创"语音交互即服务"新业态，实现RTC与大模型技术解耦[17][18] - 生态定位：通过统一API接口成为"AI语音交互中间件"[19] - 基础设施：为多模态实时交互的Agent应用提供关键技术支撑[21] - 行业推动：加速"让所有AI都能开口说话"的生成式AI变革[22]