讯飞超拟人交互API上线

“快点！导航去最近的医院！”，当你焦急地对车载助手说到。

“好的，正在为您规划路线……”，传统AI在几秒后，以平淡语气回应。一个真正AI应该迅速回应，以沉稳语气说到：“好的，已为您规划最快路线，预计12分钟到达。请小心驾驶！”

让AI感知用户情绪，从冰冷服务进化成为心意相通的助手，这并非存在于《Her》或《钢铁侠》等科幻电影。大模型加持的语音交互全新升级，能够轻松应对多轮对话，而且实现情绪响应和个性定制。

2024年8月，科大讯飞发布了星火极速超拟人交互技术，在响应和打断速度、情绪感知情感共鸣、语音可控表达、人设扮演四个方面实现巨大突破，让语音交互速度变得更快，能够感知你话语里的喜怒哀乐并用合适的情绪回复，还可根据需要让超拟人的声音变换节奏、大小，甚至切换不同的角色声音和性格对话。

现在超拟人交互API正式上线讯飞开放平台，面向开发者开放调用。通过接入相应的API，开发者无需从零开始搭建复杂架构，即可实现用户与AI的实时语音互动，构建契合业务场景的AI实时对话能力，提供高效流畅的沟通体验。从游戏NPC、虚拟助手到智能客服与数字导游，语音交互的想象边界正在被重新定义。

01秒级响应，双商在线的超拟人交互

作为人类与AI交流的最主要入口，语音交互已渗透至我们的日常工作生活中：叫音箱播放指定音乐、让扫地机器人定时工作、对车载系统喊一句“导航回家”。AI游戏陪玩、AI虚拟陪伴、AI口语陪练等，各种AI应用对语音交互的需求也呈爆发式增长。

然而，在实际使用中，传统语音交互仍存在明显痛点：

响应迟缓：动辄数秒的延迟，打断对话节奏，带来强烈的割裂感。

情绪单一： 机械化的语调，缺乏情感温度，难以建立真正的连接。

语境缺失： 难以理解言外之意，导致交互中断或理解错位。

大模型时代下，当我们从技术层面分析传统语音交互体验不佳的原因会发现，传统语音交互如同一个需要分布处理的流水线：语音输入后，先由“语音识别”车间转成文字，再交由“大模型”车间思考回复文本，最后由“语音合成”车间将文字朗读出来。这个串联过程不仅步骤繁琐，且每个环节都存在延迟，累加起来，3秒的响应时间已是常态。

同时，文本是其中传递信息的载体，在语音转文字再转语音的过程中，语音的很多情感、副语言信息甚至是环境信息都会丢失，导致语音交互系统只能针对语音的文本内容进行回应，会忽略我们在语音中本身真实的情感、语气等元素。

在许多关键场景中，延迟意味着无法用，甚至危险。如：导航指令若晚几秒反馈，用户可能已错过路口；与智能客服沟通时，频繁的“空白加载”足以让用户不耐烦地挂断电话。大模型的“聪明”，只有搭配“实时”的响应，才能成为真正有温度、有价值的交互智能。正如智能手机时代的流畅滑动是用户接受触屏的关键，「实时」是AI接口从“尝鲜”走向“常用”的门槛。

星火极速超拟人交互则跨文本和音频模态，采用了统一神经网络直接实现语音到语音的端到端建模：

1语音通过音频编码器得到音频表征后，通过适配器与文本语义表征进行对齐；

2对齐完成之后的内容输入多模LLM，预测输出表征；

3经过音频解码器后，最终输出情绪自然、节奏准确的合成语音。

星火极速超拟人语音交互技术框架图

相比于传统的交互系统，统一的模型大大提升了整体的响应和打断速度，人与AI的交互也从你问我答的“微信语音模式”，切换到了实时响应的“微信通话模式”。

但反应迅速只是第一步，没有情感的交互依旧是“冷冰冰”的机器。如何让语音交互更有温度？

在星火极速超拟人交互系统中，基于端到端框架之上，融入了多维度语音属性解耦表征训练，将内容、情感、语种、音色、韵律等属性进行解耦，进行对比学习和掩码预测。不仅实现了内容识别更准、情感等属性感知度更高，还可以更便捷进行定制，方便系统快速落地。

02“快、准、真”，打造下一代AI语音应用

基于语音交互技术的突破，面向开发者开放的超拟人交互API具有三大核心优势：

同时，讯飞开放平台还为开发者提供了详细开发文档，方便开发者们快速上手并了解超拟人交互API 的各项功能特色、调用过程中的常见错误。

03多场景快速落地，成本低至0.1元/分钟

超拟人交互API的上线，不仅为开发者提供了一种新的语音应用开发范式，降低了开发门槛，也让开发者能够更加聚焦应用创新和场景落地，以更天马行空的想象力，创造出更具“生命力”的AI应用。

文旅场景

结合故事演绎和RAG（检索增强生成），AI可以作为数字导游为游客介绍景点，在特定场景下与游客进行角色扮演互动，让游客“沉浸于”历史。

游戏场景

基于角色人设，模型与玩家互动时，可以自动生成符合该角色价值观、人生经历、语气的对话，让虚拟角色栩栩如生。

智能助手场景

可自由设定AI助理各种不同的人设，并以符合人设的背景、语气与用户互动，为每个用户打造独一无二的AI助理。

智能玩具场景

通过生动复刻各类IP角色，并以角色特有的性格、口吻与儿童互动，建立强烈的情感链接与代入感。

为进一步降低高质量语音交互的落地门槛，让开发者“轻装上阵”，在API调用成本上，讯飞开放平台也提供了极具诚意的产品价格：每分钟交互成本低至0.1元，这意味着，仅需用一杯咖啡的钱，就能让应用与用户“畅聊”数小时。

此外，通过企业认证，开发者还可“解锁”有效期3个月，长达10小时的免费试用，实现对产品的快速验证。

从OpenAI、微软、谷歌等AI巨头，到Character AI 的新锐AI创业公司，语音交互正成为AI应用公司最强大的突破口之一。科大讯飞凭借在语音技术领域持续二十余年的深耕，在这一赛道上有着强大的技术实力和市场竞争力。

IDC发布的报告显示，2024年上半年，中国人工智能语音语义整体市场规模为 72.3 亿元人民币，同比增长18%，科大讯飞市场份额在主要厂商中位居第一，持续引领行业发展。

现在，借助讯飞开放的超拟人交互API，开发者可以轻松打造真正“能听会说、情感在线”的AI应用，提高产品竞争力。