从“能听会说”到“能看会动”，声网携“陆卡卡”亮相AWE

支撑这种体验的，是声网最新发布的R2全场景AI机器人开发套件原型机。与一年前的R1套件相比，R2最大的变化是增加了本地视觉识别和多自由度运动控制能力。这意味着，搭载R2的硬件不仅能听懂人说话，还能看懂人的手势、识别人脸轨迹，并做出相应的动作。

据了解，声网在去年3月首次发布对话式AI开发套件R1，重点解决了实时对话中的背景降噪和智能打断问题，让用户和机器聊天时可以像和人聊天一样自然，不用每次都说“小X小X”这样的唤醒词。该套件发布至今，出货量已达百万级，被广泛应用于AI玩具、陪伴机器人等产品中。去年9月，针对移动化需求，声网又联合芯片企业推出了支持4G通信的版本，让AI硬件可以随时随地保持在线，满足车载等场景。

从R1到R2，一年内三次迭代，声网为硬件厂商提供了一套从“能听会说”升级到“能看会动”的技术方案。业内人士认为，随着运动控制和端侧视觉能力的加入，未来具身智能机器人将是重要发展方向。

今年年初，声网宣布将核心的硬件抽象层项目AOSL在GitHub上全面开源。简单来说，AOSL就像一套通用的“翻译器”，让不同操作系统和芯片都能顺畅地运行声网的实时互动技术。对芯片厂商来说，接入AOSL意味着他们的硬件从出厂起就具备了“声网级”的实时互动能力。

本次AWE上，声网首次展示了最新的开源生态成果。这种“开源底座+商业套件”的模式，正在吸引越来越多芯片厂商加入，让硬件创新从过去的“一次性定制”转向更高效的生态协作。

随着越来越多中国智能设备走向海外，用户对这类产品的要求也越来越高：在一些网络不太好的地区，也能秒速打开家里的监控画面；扫地机器人走到庭院角落、割草机穿行在花园边缘，依然能保持连接，不会“失联乱撞”；宠物出现异常时能第一时间收到提醒……

声网的解决方案集成了四项核心能力：依托自研的全球实时网络，覆盖200多个国家和地区，建联成功率超过99.9%，首次打开画面的时间达到毫秒级，真正实现“秒见图”；在极端弱网环境下，即使音视频数据丢失80%，仍能保障画面流畅和指令实时响应；在传输过程中可以同步完成宠物检测、人脸识别等AI分析，检测结果实时推送到用户端；支持多人同时观看和交互，并符合全球多个地区的数据安全法规。

回顾过去十年，无论是手机APP还是智能硬件，产品形态在不断变化，但人们希望用最自然的语言和机器交流的愿望始终未变。当AI硬件从“功能机”向“情感机”进化，实时互动的体验好坏，正成为决定产品成败的关键。作为全球领先的实时音视频云服务商，声网正通过一次次技术迭代，把复杂的实时互动能力变成标准化的模块，为万物智联的时代铺设底层通路。