iRTE2026 实时智能大会聚焦对话式 AI：声网提出五级对话能力框架，构建分布式实时推理云

封面为AI生成的主题示意图，非新闻现场照片。

在刚刚落幕的 iRTE2026 实时智能大会上，行业核心议题从单纯的生成式回答转向深度参与真实交流。OpenAI 的 GPT-Realtime 与 Google 的 Gemini Live 等新技术展示了全双工交互、深度思考并行及边听边说的能力，标志着对话式 AI 正走出回合制问答，进入全模态判断阶段。

大会揭示了对话式 AI 落地的三道现实命题：一是模型能力需与企业级业务流程对齐；二是流畅对话依赖底层技术底座，包括交互模型、人声提取及实时语音生成；三是技术方案必须直面复杂物理环境，在端侧算力约束下实现差异化价值。

在主论坛圆桌讨论中，具身智能被定义为将人的意图转化为机器人行动的过程，需融合视觉、语音等多模态信息完成感知与决策。Rokid 乐奇强调穿戴设备的自然度是用户体验核心，冠客科技则指出交互延迟与时机把控直接左右业务成效，所有考验均收敛于用户开口后的数秒窗口。

英伟达首席架构师 Andrey Norkin 分享了 AV2 新一代视频编码技术，以更高压缩效率保障优质视频交互。声网创始人兼 CEO 赵斌提出了“五级对话能力”框架，从 L1 问一句答一句逐步演进至 L5 基于长期上下文的深度沟通，强调 AI 需理解交流对象与语境。

为应对实时协作中的“快慢脑”问题，声网展示了 Agora Conversational Model 混合对话系统，协调持续聆听、意图判断与行动执行。其提出的分布式实时推理云方向，让模型靠近用户运行，并依据时延、负载动态选择模型路径。

大会还推出了对话式 AI 引擎、开发套件及 Call Agent 等新产品工具，分别用于连接模型与用户、辅助硬件拓展交互维度以及优化电话业务流程。这些技术共同构建了生成式 AI 时代的实时基础设施，支撑从模型到终端的完整交互链路。