声网：给AI装上声带与神经，这家公司藏在App背后

用手机跟AI助手聊几句、拿儿童手表给家里拨个视频、在语聊房里听陌生人唱歌——这些场景表面上互不相干，背后跑的可能都是同一家公司的技术。

这家公司叫声网。名字大多用户没听过，能力却很可能在不知不觉中用上了。

藏身App之后的一家公司

声网2014年成立，创始人赵斌是技术出身，创业之前担任欢聚时代YY的CTO。当年开发者若想在应用里实现稳定的音视频通话，底层基本得自己搭，费时又费力。声网把这些复杂能力封装成API，写几行代码就能调用，等于把修桥铺路的活自己扛了。

客户名单里熟脸不少。社交有陌陌、Soul，电商有Shopee，游戏有Unity、KOOK，教育有新东方，金融有众安保险、诺亚财富，办公场景则有WPS。这些公司各自直面用户，底层的实时连接交给声网。

小天才全系手表的视频通话服务，由声网提供。

2020年6月，声网母公司Agora, Inc.登陆纳斯达克，股票代码API，被称为“全球实时互动云第一股”。

声网手里最核心的资产，是一张名为SD-RTN的网络。可以把它想成一条专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，投用十年没出过全网事故。实时通话最怕卡顿、失声，这条路要解决的就是这个。

经营层面也稳。2026年第二季度，声网营收同比增长18%，GAAP口径下已连续七个季度盈利。

把对话式AI接进原有的网

声网跟AI打交道，并不是近来才凑的热闹。

2023年，公司开始探索。

按声网方面的说法，当时判断这条路走得通，是因为看到三个变化：模型的语音和多模态能力越来越自然；客户需求从单纯加个AI功能，转为让AI直接参与服务和互动；落地中最难的环节又都卡在延迟、打断、噪声和终端适配上——而这些正是声网做了多年的事。

说白了，声网的服务对象从人扩到了Agent。该公司解释，“过去主要连接人与人，现在进一步连接人与 Agent”，实时音视频仍是整个布局的底座。

AI对话好不好，普通用户其实只在意三件事：反应快不快、能不能随时插话、吵的地方听不听得懂。声网给出的成绩是端到端响应中位数650毫秒，话音刚落AI就能接上；打断响应中位数340毫秒，中途插话不会被晾着；大部分环境噪声能被屏蔽，说话的人也能被锁定。

大疆无人机的场景里，实时音视频方案也来自声网。

一个自然的疑问随之而来：模型厂商自己也在做实时语音，声网会不会哪天被绕过去？

声网的观点是，模型管的是听懂和会说，可产品真要上线，还得处理设备拾音、回声、网络波动、多人互动，以及大规模运行后的质量保障。这些都属于模型之外的工程问题。

何况企业一般不会只用一个模型，成本、语言、地区、效果都会左右选型。声网做的是开放适配，客户想换模型随时换，不必推翻重来。

动点科技此前采访了声网相关负责人，对方称：“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”。

把关的活交给懂行的人

实时互动的场景一多，另一个麻烦就跟上来了——内容安全。

直播、语聊、社交、游戏这类平台，审核是躲不掉的基本功。可真做起来，平台往往得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，开发者要在不同控制台之间来回切；单独为审核搭一条链路，既费钱又添复杂度；更要紧的是，审核发现问题后如果不能立刻联动禁言、下麦、封房，风险照样拦不住。

网易智企旗下的易盾成了声网的合作伙伴。这家公司在内容安全上已经积累了20多年经验，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》的编写工作，易盾也是核心单位之一。

两家联手做的这套方案，逻辑其实不绕。开发者打开声网控制台，就能把易盾的审核能力接进来，不用在两个平台之间来回折腾。音视频审核尽量沿用已有的直播和云录制链路，把成本压下来。审核结果经回调直连业务系统，告警、禁言、下麦、封禁这些处置动作能自动跑完，从发现问题到处理掉，一条链路走通。

有个数可以拿来参照。某社交平台上了这套能力之后，存疑内容里只剩 10% 需要人工复核，综合准确率到 99.99%，审核开销降得挺明显。

千万级的第一棒交给玩具

AI 硬件这两年扎堆往外冒，玩具、眼镜、录音笔、陪伴机器人，谁先跑出千万级，还没定数。

消费硬件这头，它的合作方也不少。小米 AI 音箱、HTC VIVE、Rokid AR 眼镜等终端，用的都是它的实时能力。

声网更看好的，是 AI 玩具和轻量陪伴设备。理由挺实在：玩具供应链成熟，IP 和零售渠道现成，定价也能灵活调，用户对陪伴和互动这类价值感知得最直接。

AI 眼镜被当成长期的随身入口，可佩戴、续航、显示、应用生态，都还得等时间。AI 录音笔价值清楚，问题在于能不能从记录往后延伸到工作环节。带复杂运动能力的机器人，则还卡在成本和可靠性两道坎上。

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”。硬件这门生意好不好，最后就看这几个问题。

泛娱乐这块老本行，荔枝、唱吧、Yalla、Monkey 这些平台一直跑在它的网络上。声网觉得 AI 会拿走一部分标准化内容和基础问答，但也会给真人社交添新玩法，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，在声网看来依旧有独特价值。

机器人的“神经”怎么当

在声网未来的盘子里，机器人是分量最重的方向之一。

这家公司给自己的定位，是机器人实时交互和协同的基础设施。这个角色不止是通信管道，音视频处理、对话交互、状态同步、人机协同也都算在里面。机器人进了真实场景，得让人看清现场，让模型及时拿到信息，让指令和状态可靠传过去，出了状况还得支持人工远程接管。

已经落地的一个例子，是声网和爱芯元智的合作。两边基于爱芯元智的 AX8850N 芯片做完适配，把实时视频、控制信令和状态同步接到一起，还能再往上叠对话式 AI 能力。

机器人的运动控制和安全闭环，归端侧系统管；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。这个位置值不值钱，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清楚。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。按它的描述，未来的互动有三种：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的是什么技术。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不卡顿。

声网做的，就是这部分看不见的活。以后对话那头换成 AI，它照样得把信号送到，别出岔子。