社区

北京时间2月27日，声网母公司 Agora, Inc.(NASDAQ: API) 公布了2023年第四季度及全年财报。财报显示，第四季度 Agora, Inc. 实现营收3604万美元，环比增长3%，全年总营收1.42亿美元。 其中，业务聚焦中国市场的声网第四季度实现营收1.48亿人民币，环比增长5%；聚焦非中国市场的 Agora 第四季度实现营收1530万美元，环比持平。 值得一提的是，得益于多元实时互动应用场景的增长和行业扩展，Agora, Inc. 2023年第四季度调整后净利润为140万美元，实现三年以来首次季度盈利。 对此，Agora, Inc.创始人兼CEO赵斌表示，“我们在2023年四季度取得了强劲的财务业绩，实现了连续的收入环比增长，并实现了140万美元调整后净利润，这是三年以来首次季度盈利。这反映了我们在极具挑战的经营环境下的业务韧性，以及我们不断优化成本结构的努力。” Agora, Inc.在2023年第四季度完成股票回购350万ADS，总金额1000万美元。赵斌表示，“在过去的两年中，我们通过回购方式向股东返还了超过1亿美元，我们的总股本也相应降低了约18%。我们非常高兴地宣布，董事会已经授权将2亿美元的股份回购计划延长12个月，这体现了董事会对我们的财务实力和长期增长前景的信心。” 在客户规模方面，截至2023年12月31日，声网活跃客户数量达4144个，同比增长12%，Agora活跃客户数量达1683个，同比增长18%。

9月10日，OpenAI 宣布 GPT-Live-1 在 API 中开放，为开发者带来更自然的全双工语音交互体验。Agora 作为 OpenAI 合作伙伴，已同步支持 GPT-Live-1 接入。开发者可结合 Agora的实时音视频与对话式 AI 能力，在自己的应用中快速落地实时语音交互。 GPT-Live-1 的核心是“同时听说”：用户可在模型回答过程中插话、补充条件或改变问题，模型也能处理停顿，以及“嗯”、“对”等简短附和，判断应继续听还是停止当前回答。它支持轮次检测，并改进了背景噪声、静默处理和长会话上下文保持。 同时，GPT-Live-1 可将深度推理和工具调用委派给后端文本模型，包括第三方模型，语音对话可继续进行。开发者可按任务选择后端：高频简单任务优先考虑速度与成本，复杂任务则使用推理能力更强的模型。该模型还涉及文本输出、关键词偏置和语音风格等转写与表达控制。 借助 Agora 与 OpenAI 的合作，开发者能够以更低门槛构建稳定、低延迟且更具“真人感”的实时语音 AI 应用，让每一次对话不仅能听懂，更能及时响应并真正完成任务。

今年10月23-24日，一年一度的声网 RTE 大会将迎来第十二届，并从 RTE 实时互联网大会升级为 “iRTE2026实时智能大会”，这其中多出的字母 i 代表着声网对于实时互动（RTE）边界不断延伸的释义：RTE 正从传递信息走向承载智能。 这也不是大会第一次随着产业发展升级。2020年，RTC 大会升级为 RTE 大会，关注点从实时音视频技术，延伸到更丰富的实时互动场景化体验。如今，从 RTE 实时互联网到 iRTE 实时智能，大会将进一步聚焦实时互动与生成式 AI 融合带来的新技术、新场景、新体验。 升级背后，还有一个更直接的变化，你我皆已参与其中： 从人与人到人与 Agent，实时互动迎来了新的参与者。 过去，我们熟悉的实时互动，大多发生在人与人之间：通过视频会议协同工作，通过在线课堂传授知识，通过语音和视频连麦建立社交连接。 如今，Agent 开始进入这些场景。在线课堂里，老师与学生身边多了 AI 助教；社交与娱乐场景中，人与 AI 角色开始实时对话；企业服务中，Agent 开始参与咨询、沟通与业务办理。 从 RTE 到 iRTE，意味着在“人与人”互动的基础上，实时互动的边界进一步拓展到“人与 Agent”共同参与的互动。 面对 Agent，我们也提出了更高的要求：它能否听懂停顿和犹豫？能否在被打断时及时停下？能否跟上对话，而不是始终慢半拍？实时互动由此打开了更大的发展空间，也迎来了新的技术命题。 从 RTC 到RTE，再从 RTE 到 iRTE，变化的是大会关注的产业边界，不变的是对实时互动技术与场景创新的持续探索。 10月23—24日，iRTE2026实时智能大会，期待与开发者、技术创新者和行业实践者一起，探索实时智能的无限可能。 图片底部可扫码报名👇

过去两年，AI 录音笔、录音纽扣、智能耳机等轻量化智能硬件集中爆发。形态各异，但面临同一个工程化难题：如何在存储、Flash、算力、功耗都受限的硬件上，跑通稳定、连续、低延时的实时音视频能力？ 声网针对这一场景推出的实时音视频解决方案，以百 KB 级 SDK、60%抗丢包、端到端优质传输率超99%以及可灵活部署的 3A 音频处理为核心，帮助硬件产品快速接入实时音视频能力，大幅减少芯片适配、音频采集、网络传输等环节的开发工作。 信人智能的 NBBOSS R1 是这一方案的典型落地案例。其自研产品 NBBOSS 以“AI 决策外脑”定位，精准切中企业管理者在复杂商业环境中的决策焦虑。区别于传统 CRM 或 OA 系统，NBBOSS 要求具备实时介入、情绪感知、长记忆关联等能力，这对底层算法、硬件集成与场景适配提出了极高门槛。R1 决策机器人主打“实时介入”——搭载360°旋转基座与主动对话引擎，并内置自研情绪感知系统，可在谈判或面试等关键决策节点进行主动提示与智能交互，辅助决策者规避非理性判断。R1 通过云端实时归集数据，支持多会议并行参与，预售首日订单突破10800台。产品搭载商业决策专属大模型，支持11种语言实时翻译，天然适配跨境电商、连锁经营等跨国场景。 AI 决策产品在企业办公场景中要发挥价值，绕不开一个基础前提：语音交互的实时性、连续性和稳定性。会议讨论、经营沟通、人机对话中的声音，需要稳定传给 AI ，才能完成识别、理解和响应。信人智能的选择是，在底层音频能力上依托声网来构建 RTC 与 RTM 技术基座。 百 KB 级轻量集成，不增加硬件负担 NBBOSS R1 作为桌面 AI 交互终端，需要在不同硬件条件下稳定运行，兼顾接入效率、功耗、存储和后续迭代成本。声网支持 R1 适配不同芯片和嵌入式系统，帮助设备快速接入实时媒体传输能力，减少产品团队在芯片适配、音频采集

近期，声网母公司 Agora，Inc 正式获得国际权威认证机构 DNV 颁发的 ISO/IEC 42001:2023 人工智能管理体系认证，标志着声网在人工智能治理领域的风险管理、安全合规以及技术开发与产品应用等，均达到了国际认可的标准。声网也是全球化 RTC 厂商中首个获得 ISO/IEC 42001 认证的企业。 AI 进入真实业务，安全治理成为必选项 ISO/IEC 42001:2023 是全球首个面向人工智能管理体系的国际标准，重点关注组织如何围绕 AI 建立系统化的治理机制，包括风险识别、责任管理、持续改进等多个方面。相比单纯关注模型效果或某一项安全技术，ISO 42001 更强调 AI 从规划、开发、部署到运营全生命周期的管理能力。 随着 AI 加速进入真实业务，这套体系的重要性正日益凸显。 过去，企业使用 AI 更多集中在内容生成、知识问答等相对独立的场景；如今，AI Agent、Voice Agent、AI 客服、智能硬件等应用正在快速进入真实业务流程，AI 不仅要理解和生成内容，还开始直接与用户实时交互、调用业务系统并处理企业数据。 特别是在对话式 AI 场景中，一次自然的人机对话往往涉及实时音视频传输、语音识别、大模型推理、语音合成以及业务系统调用等多个环节。AI 越深入业务，企业对数据安全、隐私保护、系统稳定性以及风险治理的要求也越高。 声网对话式 AI 引擎正是连接实时互动能力、大模型与具体应用场景的重要基础设施。基于这一引擎，开发者和企业可以进一步构建 AI 客服、Voice Agent、AI 陪伴、智能硬件、企业服务等多种对话式 AI 应用，让 AI 真正进入业务流程并与用户进行实时交互。 这也意味着，对话式 AI 产品不能只追求“听得清、听得懂、说得自然、接得住打断”，还必须系统应对数据保护、权限控制、第三方服务管理、业务安全以及潜在滥用等问题

Google 昨日正式发布了 Gemini 3.5 Transcribe。和 Gemini 系列之前的产品定位不同，这不是一个通用多模态模型，而是一个独立的专用转写模型，只负责语音转文字。 目前 Gemini 3.5 Transcribe 已经在 Google 自己的多个产品中上线，包括 Gboard 上的 Rambler 语音输入、macOS 版 Gemini 应用的 Speak to Window 功能，以及 Chrome 浏览器的语音输入中。开发者可以通过 Gemini API 和 Google AI Studio 使用。 Agora 作为本次发布的官方合作伙伴之一，已经完成了对 Gemini 3.5 Transcribe 的集成支持，开发者也可以在 Agora Conversational AI 中直接进行调用 两个模型，两种用法 Gemini 3.5 Transcribe 包含两个模型，对应不同的使用场景： gemini-3.5-transcribe-live走 Live API，做实时流式转写。音频边输入，文字边输出，延迟在亚秒级。适合直播字幕、语音 Agent、实时会议纪要这类需要即时响应的场景。 gemini-3.5-transcribe 走 Interactions API，处理预录音频。支持说话人分离（最多 3 人，3 人以上为实验性支持）和词级时间戳，适合会议录音整理、通话质检、播客转录这类对实时性要求不高但需要结构化输出的场景。 转写模式：VERBATIM 和 SMART 两个模型都支持 VERBATIM 和 SMART 两种转写模式，通过 mode 参数切换。 VERBATIM 是逐字转写。用户说了什么就输出什么，对 “嗯”“那个”“啊不对”等语气词和口头禅都会进行保留。该模式适合需要保留原始发言的场景，比如

Agora 与 Gemini 达成合作，发布 Gemini 3.5 Transcribe 与 Agora Conversational AI 集成方案。此次合作将 Gemini 最新的实时语音转写能力与 Agora 面向全球的 RTC 和对话式 AI 能力相结合，帮助企业更高效地打造自然、实时且可规模化落地的语音智能体。 此前，我们已与 OpenAI 合作推出了全球首个Realtime API，旨在为开发者提供超低延迟、高保真、拟人化的 AI 实时语音交互能力。 强强联合，连接“智能”与“实时互动” 随着生成式 AI 从文本交互加速走向语音交互，模型能否在真实场景中及时听懂用户、准确理解表达，并持续保持自然流畅的交流体验，正成为对话式 AI 落地的关键。 Gemini 3.5 Transcribe 是 Google 面向智能语音交互推出的新一代实时语音转写模型，可以更好地应对背景噪声、专业词汇、口语停顿和表达修正等复杂情况。 Agora Conversational AI 则为语音智能体提供稳定的实时音频传输、会话连接和交互基础设施。 双方的合作，连接了前沿模型能力与面向全球用户的实时互动体验，让语音智能不再停留在模型演示阶段，而是能够更快进入真实的产品与业务场景。 开放灵活，降低企业构建对话式 AI 的门槛 通过此次集成，开发者可以在 Agora Agents SDK 中使用 Gemini 3.5 Transcribe，并根据自身业务需求灵活组合大语言模型与语音合成服务。 这种开放、可组合的方式，有助于企业避免被单一技术方案绑定，也能随着模型能力和业务需求变化持续迭代。对已经拥有 AI 技术栈的团队而言，可以在保留原有能力的基础上补齐实时交互环节；对刚刚进入对话式 AI 的企业而言，也可以更快完成从原型

AI 编码 Agent 正在从“写代码”走向“理解任务、交付工程”。但在 RTC、RTM、语音 Agent 这类横跨客户端、服务端和鉴权的场景里，难点从来不是模型会不会写。 直接让 Agent 写一段实时通话代码，给出的往往是结构完整、细节过时的实现：方法名对了大半，初始化顺序错了，包名是旧的，Token 凭印象填写。这只是在复述训练数据里那个被平均过的版本，而 SDK 的迭代远比模型的训练快。 DeepSeek Harness（下称 DSH）是 DeepSeek 开源的 Agent Harness，采用插件化架构，模型、工具、运行能力都按 profile 组合。 声网现已推出面向 DSH 的 dsh-agora 插件：装上之后，你在 DSH 里用自然语言描述声网开发任务，Agent 会自己找到对应的产品路径、官方 Quickstart 和接入说明。 一个插件，覆盖声网全线 dsh-agora 覆盖了常见的声网开发场景： • 对话式 AI / 语音 Agent：AI 语音助手、AI 口语陪练、语音客服等 • 音视频 RTC：一对一与多人通话、直播、屏幕共享 • 消息与信令 RTM：实时消息、在线状态、通知 • 云端录制：服务端录制会话 • 服务端与鉴权：生产环境 Token 生成、跨产品协同 • 声网 CLI：登录、建项目、环境写入、就绪检查、自动化 开发者不需要先判断应该从哪一套产品文档开始，Agent 会帮忙进行快速选择，让开发体验更加丝滑。 快速安装 前置条件 • 本地已安装并可以运行 DeepSeek Harness，终端能够执行  dsh ； • 真正运行声网项目时，需要声网账号，以及对应项目的 App ID、Token 等配置； • 以下命令以 DSH 的 web profile 为

8月12日国际青年日当天，联合国驻华系统及合作伙伴在北京联合国大楼举办高级别对话活动，共同纪念这一属于青年的重要节日。活动汇聚青年代表，以及来自政府部门、社会组织、学术界、私营部门和发展机构的伙伴代表，共话青年发展与可持续未来。 每年8月12日的国际青年日，旨在关注青年面临的挑战与机遇，以及青年在可持续发展进程中发挥的重要作用。2026年国际青年日全球主题为“多元语境，共同志向”，反映了不同背景下的青年对于尊严、机遇、参与和可持续未来的共同追求。 围绕这一主题，与会嘉宾深入探讨了政策支持、多方伙伴关系和青年主导的创新，如何帮助青年实现人生愿景，并为可持续发展贡献力量。活动由联合国人口基金、联合国开发计划署、国际劳工组织、联合国难民署、联合国世界粮食计划署及联合国驻华青年主题小组联合主办。 在这场汇聚多元背景与多方观点的对话中，语言既是表达思想的载体，也是相互理解的重要桥梁。声网为活动提供全程实时转录翻译支持，将现场发言实时完成中英互译，帮助与会者跨越语言障碍，聆听和理解重要内容，更充分地参与现场交流与讨论。 808毫秒背后，让重要观点被实时理解 此次技术保障背后，是声网自研实时转录翻译解决方案的一体化能力。 依托声网行业领先的实时互动技术，该解决方案在相关测试环境下实现中文转录首字延时低至 808 毫秒，整体语音识别错误率（WER）低至 3.34%。在跨语种发言切换频繁、内容持续输出的活动场景中，低延时与高准确率能够显著减少字幕等待与信息错位，让参会者紧跟发言节奏。 在多语种能力方面，声网实时转录翻译目前可支持150+ 种语言及方言的实时转录与 150+ 种语言的实时翻译，能够覆盖国际会议、跨境直播、在线教育、企业协作等不同场景下的跨语言沟通需求。 同时，声网将高清转录、实时字幕、云端录制、多语翻译及实时音视频能力深度整合，对外仅提供 2 个核心 API 接口，且不受 SD

过去两年，大模型快速进入智能眼镜、机器人、AI 陪伴、AI 教育、智能家居等终端。到了 2026 年，“接入 AI ”已经不新鲜了。行业真正开始较量的，不再是 Demo 能不能跑起来，而是一个更传统、也更难的问题：这款产品为什么存在，能不能稳定量产，用户会不会长期使用。 8 月 9 日，声网携手人人都是产品经理，在 RTE 2026 春夏巡游北京站举办「AI 硬件多模态交互的产品化破局」专场沙龙。浙江湃启科技 CEO 孙思宁、声网 AI 产品线负责人姚光华、灵宇宙产品负责人刘翠涛、阿里云百炼应用高级产品经理司红江，以及移远通信北区技术总监武风停，从产品、交互、端侧与供应链等不同位置，围绕 AI 硬件从 Demo 走向真实产品展开讨论。 现场还展示了盈迪曼德陪伴机器人、萌友ropet、灵宇宙小方机、移远拍学机、Lookee口语侠、赋之EBO、芙崽、青橙眼镜等多款客户产品。现场氛围轻松融洽，大家一边畅谈一边体验。相比 PPT 上的能力数据，这些被真正拿在手里的产品，也让当天的讨论变得更具体：技术最终要落到一台设备、一套成本和一次真实使用里。 01 先定义产品，再谈模型能力 硬件行业有一个反复出现的陷阱：手里有什么技术，就想往产品里加什么能力。到了 AI 时代，这个问题并没有消失，反而因为模型能力越来越丰富而更加突出。能力越多，产品越需要克制。 孙思宁将产品定义进一步拆成六个问题：谁，在什么场景，使用什么核心功能，解决什么刚性痛点，愿意为此付多少钱，以及这份价值能否覆盖产品成本。硬件后期很多看似属于结构、电路、供应链的问题，往往在产品定义阶段就已经埋下了。 孙思宁还提出，可以把深圳成熟的硬件产业链理解成“硬件 API ”：先调用成熟方案验证功能、场景、商业模式和付费逻辑，跑通之后再自主开模量产。对于今天大量从软件、AI 团队跨进硬件的创业者来说，这是一种更现实的 0 到 1 路径

北京时间8月14日，声网母公司 Agora, Inc.（NASDAQ：API）公布2026年第二季度财报。财报显示，第二季度 Agora, Inc. 总营收4042万美元，同比增长18%，超过指引区间高端；公司指引第三季度营收区间为4100万至4200万美元，同比增长15.8%至18.6%。 在美国通用会计准则（GAAP）下，Agora, Inc. 第二季度净利润为220万美元，净利润率为5.4 %，同比增长50.3 %，并已连续七个季度实现 GAAP 盈利。 Agora, Inc. 创始人兼 CEO 赵斌表示： “我们欣然宣布，本季度实时互动与对话式 AI 两大业务板块均保持强劲增长势头，推动公司营收增速进一步提升。同时，我们已连续七个季度实现美国通用会计准则（GAAP）下盈利。 我们的语音 Agent 应用场景正在快速拓展，已覆盖市场调研、意向收集、客户服务等多个领域，并在越来越多的任务中展现出比肩甚至超越人类的表现。我们坚信，随着 AI Agent 解决方案持续迭代，其商业价值将进一步释放，并推动呼叫中心加速向 AI 驱动的工作流演进。 展望未来，我们将继续加大对实时互动基础设施的投入，并深化开发者生态建设，为人与人、人与 AI 之间更加自然、高效、可靠的实时互动提供坚实支撑。” 在现金储备方面，截至2026年6月30日，公司现金、现金等价物、银行存款及银行理财产品为3.62 亿美元。 RTE+AI 产品持续升级，降低场景落地门槛 2026年第二季度，声网围绕 RTE+AI 产品体验、开发效率等持续完善产品和解决方案，进一步降低企业与开发者在语音智能体开发、社交娱乐等实时互动场景中的接入门槛。 推出 Agora Agents SDK，支持 Python、Node.js 和 Go，帮助开发者用更少代码、更短时间，在声网对话式 AI 引擎上构建语音智能体。该引擎依托全球边