從“抖音同款”到“豆包同款”：視頻云正在進入 Agent 時代

作者 | 凌敏

對于普通人而言，音視頻算得上是最“接地氣”的技術——不需要具備專業背景，就能直觀地感受到技術能力高低帶來的體驗層面的差異。比如，觀看世界杯直播，模糊的畫面、明顯的延遲、卡頓的互動，都能直接影響球迷觀看體驗。

在移動互聯網時代，人們對于音視頻技術的要求其實很簡單，就是“看得清、看得爽”。這也是火山引擎視頻云能夠在這一時期殺出重圍的關鍵——火山引擎將抖音在億級 DAU 場景下長期打磨和驗證的能力，封裝成一系列解決方案，向業界輸出“抖音同款”的音視頻能力，重點解決畫質、時延、穩定性和大規模分發問題，為用戶帶來更高清、更實時、更沉浸的視頻體驗。

但到了 AI 時代，人們對音視頻能力的要求又邁向新的高度，視頻不只用來“看”，還要能夠“聽”和“理解”，甚至能夠與人“對話”。比如，在教育場景，大家希望 AI 老師能實時對話，并能根據輔導對象智能匹配教學內容；在娛樂場景，大家希望 AI 陪伴助手更懂自己，更有“人味兒”。什么樣的視頻云，才能支撐起這一想象？在 2025 年冬季火山引擎原動力大會“智能視頻云”論壇上，火山引擎視頻云通過一場自我進化給出了答案——過去，火山引擎視頻云提供的是“抖音同款”的經典能力。這一次，火山引擎視頻云將進化為打造“豆包同款” 的生成式智能。

面對 AI 時代的音視頻場景，“豆包同款”視頻云在技術側，提供從底層（AIGC 傳輸系統）、到核心引擎 AI MediaKit+MIPP（智能媒體處理平臺），再到頂層音視頻互動智能體三重支撐；在服務側，火山引擎視頻與邊緣服務的海外拓展，正幫助中國企業加速出海。

1 從“抖音同款”到“豆包同款”，音視頻技術的三重進化

底層技術支撐：AIGC 傳輸系統讓多模態交互成為可能

正如前文所言，AI 時代，人們對于音視頻的期待提升到了能理解、能互動的新高度。只有獲取更多維度的信息，AI 才能真正理解用戶意圖，生成準確、自然的響應。這也意味著，傳輸系統需要處理更多模態的信息，比如視頻、音頻、圖像、文字等。

在這樣的需求背景下，支撐豆包等大規模 AI 應用的 AIGC 傳輸系統應運而生。它不僅支持實時、長連接的多模態數據傳輸，還能覆蓋多樣化的實時交互場景：從實時音視頻傳輸到實時語音流，再到 Push-to-Talk 半實時語音交互，以控制信令傳輸，都能基于這一套基礎設施穩定運行。為了提升復雜網絡環境下的穩定性，AIGC 傳輸系統還內置了弱網對抗機制，保障用戶和智能體的流暢互動。

AIGC 傳輸系統帶來的，是面向人機實時交互場景的多模態數據傳輸能力的升級，它能支撐大規模、高并發和突發業務場景下的 AIGC 多模態數據實時傳輸，為智能體應用提供穩定、實時、可擴展的多模態數據傳輸能力。在傳輸之上，還需要一個覆蓋生產端、分析端、消費端的全鏈路核心引擎，對底層原子能力進行統一編排與調用。基于 AIGC 傳輸系統與分布式多媒體智能處理平臺 MIPP 的能力支撐，火山引擎視頻云核心引擎 AI MediaKit 也實現了全面升級。

核心引擎：AI MediaKit 將“王牌”原子能力引入大模型

在過去，傳統媒體工具套件的核心是媒體數據處理與服務的技術集合，這套經典能力長期用于開發音視頻播放或錄制的各類功能。但在 AIGC 時代，媒體價值鏈路被重新定義，內容不再只是拍攝、播放，而是生成、分析、理解、消費；用戶也不再只是觀看，而是通過自然語言、語音、圖像等方式參與交互。

這也是為什么，火山引擎視頻云選擇將經典能力升級為 AI MediaKit——作為面向 AI 云原生時代的極致效率工具，AI MediaKit 將原先在抖音、豆包等業務中打磨成熟的媒體處理技術，升級成更細粒度的原子能力。這些在視頻云時代長期積累的媒體處理原子能力，也是火山引擎最核心、也最具競爭力的能力。在視頻理解、AI 推搜、內容二次創作等場景中，AI MediaKit 能夠將大模型的多模態理解能力和 AIGC 生成能力引入音視頻處理流程，讓系統不僅能“看見”和“聽見”，還能理解內容含義，從而更好地放大媒體價值。

AI MediaKit 的另一個核心價值在于，能提升內容生產效率和體驗。比如，AI MediaKit 面向大模型調用與編排更加友好。與直接調用大模型能力相比，AI MediaKit 提供預設的、可配置的 AI 工作流，可以從數據預處理和后處理、并發任務處理降低延時等多個角度，把多媒體處理能力和大模型原子能力編排得更好，效率也更高。

以視頻翻譯場景為例，過去長期面對人工翻譯成本高、制作周期長，傳統機器翻譯效果不理想、無法提供沉浸式的播放體驗等核心痛點。“聲影智譯”基于豆包大模型，結合視頻云的理解和內容預處理能力 + 多媒體工程能力和知識庫，比如為大模型提供更適合的“原材料”，提供平滑的語句切分、適宜語速、精準定位說話人等工程能力，確保整體翻譯效果可以達到業務生產水平。從而整體實現視頻多模態翻譯，包括文本翻譯、聲音翻譯以及面容翻譯。

AI MediaKit 深度融合生成式 AI 和多模態理解能力，提升多媒體處理能力的深度和廣度。此次升級不僅帶來了能力與效率的提升，也推動多媒體能力從單一工具向價值放大器轉變，幫助企業以更高性價比構建面向生產級的 AI 應用與音視頻智能體。

頂層應用：音視頻互動智能體推動交互體驗升級

構建一個真正可靠、能在生產環境中穩定運行的智能體并非易事，需要整合一整套復雜系統能力。為了降低企業構建音視頻智能體門檻，火山引擎提供了一套完整的解決方案——將原本只是工具屬性的音視頻對話 AI 方案，升級為一個交流更順暢、體驗更好，并且具有記憶、能自己解決問題的音視頻互動智能體。企業能夠直接調用這套方案，快速搭建智能體。

火山引擎智能互動產品負責人楊若揚表示，音視頻互動智能體此次升級最關鍵的轉變在于兩方面：其一，AI 在感官體驗上更加接近真人；其二，AI 智能體擁有特定場景的知識和技能。為了讓音視頻互動智能體更具“真人感”，火山引擎通過模型精調，使得智能體的回復更加口語化，并覆蓋了開心、激動、撒嬌、安慰、生氣等 20 多種情緒狀態，以及夾子音、氣泡音、悄悄話等多種表達方式，甚至還能根據上下文內容及對話對象的情緒狀態，自動選擇合適的表達方式，并在語速、音調甚至方言等方面進行動態調整。

本次音視頻互動智能體升級帶來最大的驚喜，來自聲紋識別——能夠通過不同音色識別對話對象。這項能力對于不少應用場景來說，極為關鍵。比如，在人和 AI 進行一對一交流的過程中，如果不具備聲紋識別能力，大模型往往會將所有人聲一并識別，導致交互混亂。通過聲紋識別，智能體可以認準主講人的聲音，將非主講人的人聲全部屏蔽，實現聲紋層面的降噪效果。目前，該項能力已支持無感注冊，僅需采集約 10 秒的目標音色即可完成識別。

此外，聲紋識別還能根據不同說話對象，實現個性化應答。以 AI 玩具為例，當智能體識別到是在與小孩子交流時，回應的聲音會更加可愛；當智能體識別到是在與爸爸交流時，除了回應內容發生變化，也會切換成更為自然的語氣。

對于陪伴類 AI 應用而言，最重要的一個功能就是長期記憶。音視頻互動智能體本次在長期記憶方面的升級，也是一大亮點。通過持續記錄歷史交流內容，智能體能將原本碎片化的交互變成連續性故事，基于這些記憶，智能體更能理解用戶的偏好，甚至能夠主動提供信息與建議，人和智能體的溝通也更加個性化。比如，個人助手能夠記住用戶關注的行業熱點、工作習慣，陪伴應用能夠記住用戶的年齡、性別、喜好，教育應用能夠記住孩子的年齡信息以及各學科的學習進度和理解情況。

在教育、游戲、創作等典型應用場景中，音視頻互動智能體的價值可以得到最佳體現。在教育場景中，AI 老師通過聲音復刻技術以及情緒、表達方式上的優化，能夠與線上真人老師高度一致。以“與愛為舞”為例，通過打造“全時、全知、全能”的 AI 導師，能夠實現“人機協同”的深度耦合。

在游戲場景中，AI 游戲陪玩不僅能提供情緒價值，還能實時感知游戲進程，為玩家提供專業攻略指導。以 TapTap 游戲陪玩 Agent 為例，其 AI 游戲助手一端借助火山引擎實時音視頻實現了用戶交互鏈路，另一端對接自有的多模態理解能力與大模型推理能力，并通過融合模型能力與搭建系統工程的方式，TapTap 將 Agent 拆成三層能力：感知游戲、理解游戲，以及基于完整上下文和游戲世界引擎，生成對用戶友好的提示，并通過 UI 和語音的方式與玩家進行互動。

與教育、游戲場景相比，在創作場景中，音視頻互動智能體扮演的角色稍顯不同。以今年較為火爆的視頻生成、Vibe coding 場景為例，高質量的 Prompt 門檻越來越高，普通用戶只能依靠“抽卡”。音視頻互動智能體能通過多輪對話理解用戶意圖，明確創作目標，進而提升創作可控性，提高效率。

在智能硬件方面，火山引擎聯合樂鑫共同推出了一套名為“喵伴”的硬件開發套件。“喵伴”最大的亮點在于，這是一個能夠開箱即用的硬件 Demo 方案，開發者可以方便快捷地搭建自己的產品，5 分鐘跑通業務鏈路，快速進行功能驗證。此外，“喵伴”提供標準化接口，能夠兼容多硬件設備硬件，大幅降低適配成本。

可以預見的是，隨著技術和應用的不斷拓展，音視頻互動智能體的智能交互體驗，還會帶來更多驚喜。其中一個較為清晰的趨勢就是多人群聊，通過多智能體協作，為用戶帶來更復雜、多角色的互動體驗，從而為視頻會議、AI 教學、狼人殺、游戲語音帶來更多玩法和可能性。

從底層（AIGC 傳輸系統）、到核心引擎 AI MediaKit+MIPP（智能媒體處理平臺），再到頂層音視頻互動智能體，火山引擎視頻云將音視頻中最核心多項能力進行了系統性重構與升級。音視頻技術側的行業敘事，已被火山引擎“卷”到了新高度。而在服務側，火山引擎也試圖開“卷”——將一系列音視頻能力，打造成中國企業出海的“秘密武器”。

2 國產 AI 應用，掀起出海浪潮

國產 AI 應用出海，早已是不可逆的浪潮。《2025 年 AIGC 海外移動應用市場分析》報告顯示，2025 年 Q1 中國 AI 應用全球市場份額躍升至 7.9%，并且還在持續增長。但對不少企業而言，出海始終是一道難解的“題”：方案適配、網絡體驗、資源利用、商業模式……每個都是牽一發而動全身的關鍵變量。

一面是企業迫切的出海需求，一面是艱巨的現實挑戰。火山引擎視頻與邊緣服務通過一套體系化的出海解決方案，幫助企業征戰海外市場。比如，為了解決出海應用體驗差、不穩定、成本高等痛點，火山引擎通過智能全球加速（IGA），提供了一套 AI 應用加速方案，能讓大模型請求、模型訓練數據傳輸以及模型生成等場景，在全球范圍內實現更快、更穩、更安全，幫助開發者降低試錯成本，加速驗證和落地 AI 應用的商業模式。

為了提升互動的實時性，火山引擎還推出了面向出海場景的 Conversational AI 解決方案，支持超過一百種語言的交互能力。同時支持音視頻、圖像等多模態的交互，通過模型、語音、視頻以及數字人通話場景，幫助企業實現業務創新。

當前，火山引擎這套出海解決方案已經幫助多個中國 AI 應用加速走向全世界。以近幾年熱門的出海方向短劇、漫劇場景為例，麥芽短劇依托火山引擎聲影智譯，實現了高效、專業的 AI 視頻翻譯，視頻內容能夠無障礙全球化傳播，并通過精細化字幕擦除，實現高質量的無痕擦除，最大程度的還原視頻畫面。

從內容生產到分發再到變現，火山引擎視頻云通過一場全方位的進化，構成了一條完整的出海價值鏈條。畢竟在追求效率與商業回報上，火山引擎一直走的是極為務實的路線，將技術優勢持續轉化為可規模化、可驗證的業務價值。

而這輪從“抖音同款”經典能力，到“豆包同款”生成式智能的進化，本質上，也是火山引擎在為下一個十年的交互方式做準備。