Wenn KI besser sprechen kann als Menschen, baut Agora einen unsichtbaren Weg.

In der Ära der KI sind Sie sicher schon einmal in einer solchen Situation gewesen: Sie haben einem Sprachassistenten eine Anweisung gesagt, aber der Lichtkreis drehte zwei Sekunden lang, bevor er langsam zu sprechen begann; Sie wollten mitten im Satz etwas korrigieren, doch er schien es nicht zu hören und beharrte darauf, den vorherigen Satz zu Ende zu sprechen; Sie waren bereits ungeduldig in Ihrem Tonfall, aber er las den Text noch immer mit derselben sanften Stimme vor.

Nachdem die KI gelernt hat, zu sprechen, scheint sie auf eine unsichtbare Wand zu stoßen. Diese Wand hat nichts mit Intelligenz zu tun, sie heißt „Echtzeit“. Daher hat sich der Wettbewerbsfokus globaler KI-Hersteller von der „Generierung menschenähnlicherer Stimmen“ auf die „Teilnahme an einer gerade stattfindenden Echtzeit-Interaktion“ verlagert.

Das Jahr 2026 wird zudem weithin als das entscheidende Jahr angesehen, in dem Voice Agent von Pilotprojekten zu großflächigem Einsatz übergeht. Während alle darauf hinarbeiten, dass KI „sprechen kann“, wer löst die letzte Meile des Problems, natürlich zu sprechen, zu verstehen und reibungslos zu antworten?

1. Die zweite Halbzeit der KI für „Echtzeit-Interaktion“

Wenn man die wichtigen Meilensteine der letzten zweieinhalb Jahre aneinanderreiht, ist das Tempo fast unwirklich schnell.

Im Mai 2024 machte GPT-4o mit nativer Multimodalität Echtzeit-Sprachdialoge zur Realität; im Oktober desselben Jahres veröffentlichte OpenAI die Realtime API, die im vergangenen August offiziell von der Demonstration in die Produktivumgebung überging.

Die echte Beschleunigung erfolgte in diesem Jahr: Im Mai und Juli brachten GPT-Realtime-2 und 2.1 Echtzeitschlussfolgerung, Funktionsaufruf und gestreamte Transkription in Sprachmodelle; am 15. September ermöglichte Gemini 3.8 Live die Parallelisierung von „Dialog“ und „tiefem Denken“, sodass Aufgaben im Gespräch fortlaufend erledigt werden; am 15. Oktober realisierte die Kombination aus GPT-Live und Decisions das Szenario, dass „der Benutzer noch spricht, während der Agent bereits handelt“.

Die Signale auf der kommerziellen Seite sind noch direkter. Das Unternehmen für unternehmensweite Sprachagenten Sierra schloss im Mai dieses Jahres eine Finanzierungsrunde über 950 Millionen US-Dollar ab, mit einer Bewertung nach der Investition von 15,8 Milliarden US-Dollar. Noch wichtiger ist, dass dieses erst drei Jahre alte Unternehmen bekanntgab, dass sein jährlicher wiederkehrender Umsatz (ARR) bereits 150 Millionen US-Dollar überschritten hat, und dass die Abrechnungsmethode vom traditionellen „Abrechnung nach Nachrichtenmenge“ auf „Abrechnung nach Anzahl der gelösten Probleme“ umgestellt wurde.

Das Kapital riecht die Entwicklung oft früher als die Technologie. Daten von Grand View Research zeigen, dass der globale Markt für KI-Sprachagenten im Jahr 2025 etwa 2,54 Milliarden US-Dollar wert ist und bis 2033 auf 35,2 Milliarden US-Dollar ansteigen wird, mit einer durchschnittlichen jährlichen Wachstumsrate von 39 % zwischen 2026 und 2033; allein im ersten Quartal dieses Jahres belief sich der Finanzierungsbetrag für KI-Sprach-Startups auf etwa 7 Milliarden US-Dollar, verglichen mit weniger als 1 Milliarde US-Dollar im gleichen Zeitraum des Vorjahres. Innerhalb eines Jahres ergibt sich ein siebenfacher Unterschied.

Im Startup-Ökosystem veröffentlichte Thinking Machines Lab, gegründet von OpenAI CTO Mira, das Interaction-Interaktionsmodell, das den Übergang von einem Ende-zu-Ende-Einzelmodell zum Paradigma des „schnellen und langsamen Gehirns“ anführte; das von dem ausländischen Unternehmen Tavus eingeführte Modell Griffin ließ 48 % der Benutzer in Tests mit echten Menschen glauben, dass sie mit einer echten Person sprachen; das Startup Instinct realisierte einen Zero-UI-Persönlichkeitsassistenten über SMS und Anrufe.

Gleichzeitig läuft auch die harte Bereinigung der Branche parallel: Chapter AI hat Insolvenzschutz beantragt, und die chinesische Regierung hat zudem die weltweit ersten nationalen Aufsichtsregeln für KI-Emotionsbegleitung und menschenähnliche Interaktionsdienste eingeführt.

Genau an diesem Schnittpunkt, an dem technologischer Ausbruch und kommerzielle Umgestaltung miteinander verflochten sind, wurde die RTE-Konferenz, die zwölf Jahre lang nacheinander veranstaltet wurde, offiziell zu iRTE aufgestuft. Das zusätzliche „i“ verkündet präzise den generationellen Sprung der Echtzeit-Interaktion von der Informationsübertragung zur Trägerung von Intelligenz.

2. Das Gewicht eines einzelnen „i“

Im Jahr 2015 hieß die erste Echtzeit-Internet-Konferenz RTC. Damals gab es in China fast keine spezialisierten Echtzeit-Audio- und Videodienste, es war eine Gruppe von Entwicklern mit einer Leidenschaft für Technologie, die WebRTC nach China brachte. Von 2016 bis 2019 gewann das mobile Internet an Fahrt, und Echtzeit-Audio und -Video entwickelte sich von der Mikrofonverbindung im Livestream weiter zu Bereichen wie Soziales, Bildung und Konferenzen; 2020 wurde RTC zu RTE aufgestuft, und der Begriff „Echtzeit“ erweiterte sich von einer einzelnen Technologie auf eine ganze Palette von Szenarien. In diesem Jahr wurde vor RTE ein „i“ hinzugefügt, sodass es zu iRTE wird – Echtzeit-Intelligenz.

Das „i“ beschreibt zwei Erweiterungen der RTE-Grenzen: Die Interaktionsobjekte erweitern sich von Mensch zu Mensch auf Mensch und Agent; der Inhalt der Interaktion entwickelt sich von der Informationsübertragung zur Trägerung von Intelligenz.

Der einfachste Weg, um zu beurteilen, ob eine Konferenz ein Wegweiser der Branche ist, ist die Betrachtung der Teilnehmerliste.

Auf dieser Konferenz werden insgesamt mehr als 15 Foren und über 100 tiefgehende Vorträge veranstaltet. Auf der Modellebene treten führende inländische Großmodellunternehmen wie Kimi, MiniMax, StepStar, FaceMind, Modis AI und Sengii gemeinsam auf; auf der Szenenebene bringen Unternehmen wie Meituan, Alibaba ATH, Rokid, Soul, HOLLA, EF English First und Papaya die praktischen Umsetzungen in Kundenservice, Hardware, Soziales und Bildung; auf der Infrastrukturebene bringen Agora, Broadcom Integration und Rockchip Chips, Endgeräte und Echtzeit-Netzwerke auf den Prüfstand.

In Bezug auf die technologische Tiefe wird das „Sonderforum für konversationelle KI-Technologie“ gemeinsam von Professor Xie Lei der Northwestern Polytechnical University und Wu Bo, Leiter des Multimodal-Bereichs von Agora, veranstaltet und zielt direkt auf den Kern von „Interaktion ist Intelligenz“ ab. Die Agenda der Konferenz konzentriert sich stark auf drei branchenspezifische Schmerzpunkte:

Zuerst geht es darum, wie Modelle von „sprechen können“ zu „interagieren können“ gelangen. Yang Xuerui von StepStar erörtert das nächste Generation-Interaktionsmodell, Wang Xinsheng von Soul präsentiert das für Echtzeit-Interaktionen entwickelte Sprachsynthesemodell Loxi-Speech, und Professor Li Ming der Chinese University of Hong Kong (Shenzhen) teilt die Technologie zur Extraktion von Zielstimmen in komplexen Szenarien mit mehreren Personen.

Zweitens geht es darum, wie Agenten von „Gespräche führen können“ zu „Aufgaben erledigen“ gelangen. Auf dem Sonderforum für unternehmensweite Kundenservice-Agenten analysiert Huang Zhe, Produktmanager des Agora Call Agent, Kosten und Konversionsrate, Xu Jun, leitender Technikeexperte bei Meituan, zerlegt die Herausforderungen im B2B-Bereich, und Shi Xinhua, erfahrener Architekt bei Alibaba ATH, beschreibt die Selbstentwicklung des intelligenten Kundenservice-Agenten. Das Rundtischgespräch trägt direkt den Titel „KI-Agenten gehen an den Arbeitsplatz“ und erörtert den geschlossenen Geschäftsablauf.

Drittens geht es darum, wie Hardware von der Demo zu Wachstum gelangt. Im Sonderforum für intelligente Hardware teilt Shi Yunlei von Petkit mit, wie KI auf Haustiere angewendet wird, Jiang Chengyuan von Uniview erörtert den Weg für die Integration von visuellen Fähigkeiten in Privathaushalte, und Wang Lijun von Jellop stellt die Frage, welche KI-Hardware auf ausländischen Crowdfunding-Märkten die Menschen wirklich zum Kaufen bewegt.

Ob interagiert werden kann, ob Ergebnisse geliefert werden können und ob Produkte verkauft werden können – diese drei Fragen entsprechen den drei Ebenen der Industriekette von oben nach unten. Eine Konferenz, die diese drei Schmerzpunkte vollständig behandelt, verdient den Titel „Wegweiser“.

In zwei gewichtigen Rundtischgesprächen wurde der Branchenkonsens weiter gefestigt.

Das Rundtischgespräch zum Thema „Persönliche Agenten“, das von Tony Wang, Mitbegründer von Agora, geleitet wurde, stellte fest, dass sich der Wert von KI-Produkten von der Konkurrenz um Aufmerksamkeit hin zur Unterstützung der Benutzer bei der Erledigung von Aufgaben verlagert; Hua Jianxin ist der Meinung, dass zukünftige Zugänge nicht unbedingt von einem einzelnen Gerät monopolisiert werden; Eugene Wei betonte, dass „Kontext König ist“ und persönliche Agenten die sozialen Beziehungen und das Langzeitgedächtnis der Benutzer verstehen müssen.

Das von Cui Bo, Chief Commercial Officer von Agora, geleitete Rundtischgespräch zum Thema „Konversationelle KI als Treiber“ konzentrierte sich auf die praktische Umsetzung: Chen Wei, Gründer von Oblique Intelligence, Cai Guoxiang, Mitbegründer von Rokid, Geng Xianglei, Gründer von Guanke Tech, und Wu Kan, CEO von Titan Qiming, erörterten anhand von Szenarien wie Embodied Intelligence, KI-Wearables, Spracharbeitsplätzen und KI-Rekrutierung die echten geschäftlichen Herausforderungen wie Latenzzeit, Unterbrechbarkeit, Menschenähnlichkeit und großflächige Erreichbarkeit.

3. Die Brücke namens „Echtzeit“ stützen

Wenn Modellunternehmen für das „Gehirn“ verantwortlich sind, muss jemand anderes für das „Nervensystem“ zuständig sein. Diese Rolle übernimmt Agora bereits seit zwölf Jahren.

Nur wenige inländische Öffentlichkeit haben bemerkt, dass Agora, der ausländische Rechtsträger von Agora, einer der Kooperationspartner von OpenAI war, als OpenAI im Oktober 2024 die weltweit erste Ende-zu-Ende-Multimodal-API für die Realtime API veröffentlichte. Dies ist kein zufälliges Bündnis, sondern die natürliche Umsetzung von zwölfjähriger technischer Akkumulation in dem neuen Zyklus.

Die Einschätzung von Zhao Bin, Gründer und CEO von Agora, lautet: Konversationelle KI treibt RTE dazu an, von „normalen Dialogen“ zu „lebendigen, gefühlvollen Gesprächen“ überzugehen. Diese vier Wörter sind sowohl ein technischer Indikator als auch eine Produktphilosophie. Sie bestätigt eine Tatsache: Wenn Menschen miteinander sprechen, tauschen sie niemals nur Informationen aus.

Um diese Evolution zu quantifizieren, hat Zhao Bin zudem ein „fünfstufiges Rahmenwerk für Dialogfähigkeiten“ vorgeschlagen: Von L1 passivem Ausdruck aus der eigenen Perspektive über L2 aktive Kohärenz basierend auf Interaktionsregeln, L3 individueller Anpassung basierend auf persönlicher Wahrnehmung, L4 komplexer Mehrpersonenkommunikation basierend auf Gruppenwahrnehmung bis hin zu L5 gedanklicher Übereinstimmung basierend auf tiefen Beziehungen. Dieses fünfstufige Rahmenwerk bietet der Branche einen klaren Maßstab für den Übergang von „das Gegenwärtige verstehen“ zu „eine Person verstehen“.

Diese Produktlinie wurde nicht erst in diesem Jahr gestartet. Von dem weltweit ersten AIGC-RTC-SDK mit Unterstützung für KI-Sprache im Oktober 2023, über die Unterstützung der OpenAI Realtime API im Oktober 2024, bis hin zum konversationellen KI-Engine im März 2025, der Engine 2.0 und Studio im Oktober 2025 und schließlich dem Call Agent und dem Echtzeit-KI-Entwicklungs-Toolkit im Oktober dieses Jahres. Innerhalb von drei Jahren erreichte es ein Volumen von Hunderten von Millionen Anrufen, und die Kundenliste umfasst sowohl Modellunternehmen wie MiniMax, SenseTime und Zhipu AI als auch KI-Spielzeuge wie RoboIntelligence's Fu Zai, den KI-Kundenservice von Meituan Keeta und Manbang Freight.

Die Wahl von Agora auf der Modellseite ist erwähnenswert: Es hat nicht auf einen einzelnen Weg gesetzt, sondern drei Wege zu einem gemischten System kombiniert – dem Agora Conversational Model. Das Wahrnehmungssystem ist verantwortlich für VAD, Echounterdrückung, gestreamtes ASR, Verständnis von Klangeignissen und Sprechertrennung; das Vollduplex-Dialog-Antwortsystem ist verantwortlich für gestreamte Schlussfolgerung, Funktionsaufruf, Langzeitgedächtnis und die Aufgabenteilung zwischen großem und kleinem Gehirn; das Ausdrucksmodell wandelt mit Context TTS die Semantik wieder in den richtigen Tonfall um.

Der Vorteil dieser Drei-in-Eins-Lösung liegt darin, dass sie leicht in Geschäftssysteme integriert werden kann und komplexe Agent-Workflows bewältigt, der Preis dafür ist die Koordination zwischen den Modellen und die hohe technische Komplexität. In Kombination ergibt sich jedoch eine kontinuierlich zuhörende Interaktionswahrnehmung, eine zeitgerechte Absichtserkennung und eine semantische Verwendung für korrekte Handlungen, sodass Modell, Interaktion und Echtzeit-Netzwerk zusammenwirken und das System „besser sprechen lernen“.

Aufbauend auf diesem Ansatz hat Agora einen konversationellen KI-Engine mit Vollduplex-Interaktion als Kern eingeführt, der eine Ende-zu-Ende-Antwortlatenz von 50 ms und eine extreme Unterbrechungsantwortzeit von 340 ms erreicht; zudem wurden die konversationellen KI-Entwicklungs-Kits der Serien R1, R1-4G und R2 sowie eine Produktpalette für Entwickler wie Agora Agents SDK, Skills und CLI-Tools veröffentlicht.

Die Grundlage all dessen ist das intelligente Routing von Agoras SD-RTN in über 300 Rechenzentren weltweit