语音感知 持续听见真实用户
即使 AI 自己正在说话、机器人正在运动、周围存在噪声，系统依然能够持续听见真实用户。
算法降噪 - AEC / 抗回声
- 本体声音抑制
- VAD
- ASR
- 远场语音
- Double Talk
- 智能打断 Barge-in
端到端技术架构
端到端具身交互智能
面向AI 屏幕、机器人与 AR/VR，贯通多模态感知、智脑与多模态表达，形成从环境感知、智脑决策到身体表达执行的完整交互闭环。
星云不是几个能力模块的组合，而是把多模态感知、智脑、多模态表达与行动贯通为一套完整系统。端到端不是一次性的输入与回答，而是贯通持续感知、持续理解、持续决策、持续表达与行动、持续反馈的持续交互过程。
端到端，而不是拼接
每一步的输出都会进入下一步，并随用户反馈与环境变化持续回到第一步——形成 Continuous Interaction Loop。
传统 · 简单拼接
五项能力各自独立、逐段拼接，打断、延迟与不同步在环节之间不断累积。
ASRLLMTTS
数字人机器人
VS
星云 · 围绕完整用户交互设计的整个系统
AI 持续感知、理解、表达与行动，并根据用户和环境反馈进入下一轮交互。
1 持续感知语音 · 视觉 · 用户与环境状态
5 持续反馈用户反馈 · 环境变化
Continuous
Interaction Loop
Interaction Loop
2 持续理解多模态融合 · 持续交互状态
4 持续表达与行动多模态表达 · 数字与物理行动
3 持续决策专属智脑 · Agent 决策
端到端带来的价值
01 更自然的交互体验
持续的多模态交互状态，统一、连续、同步的具身表达——AI 在表达的同时，仍然持续感知用户。
更低延迟更自然打断更同步表达更统一状态
02 更短的产品实现路径
快速创建 AI 员工；全栈可插拔——既提供完整产品，也提供开放架构，已有的 ASR、LLM、TTS、RAG 可根据需要复用和替换。
开箱即用全栈可插拔复用与替换开放架构
03 更可控的落地成本与风险
让高质量实时数字人从昂贵的云端能力，变成普通 AI 终端可以大规模部署的基础能力；判断能力成熟度的标准不是 Demo 能不能跑，而是开箱即用、成本可控、远程运维、大规模并发、渠道复制与持续订阅。
更稳定工程更容易规模化
01｜多模态感知
多模态感知的最终目标不是声音转文字，或摄像头识别一个人，而是持续理解用户当前的交互状态。
语音感知 视觉感知 持续的多模态交互状态
从检测与识别，逐步覆盖到注视、行为、表情与多人关系，理解完整场景，最终形成持续的多模态交互状态。
- 人体检测
- 人脸检测
- 用户识别
- 位置
- 距离
- 注视
- 手势
- 行为
- 表情
- 用户状态
- 多人关系
- 场景理解
02｜专属智脑
将通用模型变成真正属于企业、品牌、岗位或个人的智能体，让智能体从「会回答」升级为「会做事」。
知识能力 多模态资料与知识
- PDF / Word / PPT / 网页 / 图片等多模态资料解析
- 信息抽取
- 知识治理
- FAQ
- RAG
- 知识更新
智能体能力 身份、任务与决策
- 身份
- 人设
- 角色
- 任务
- 规则
- 记忆
- Agent
- Workflow
- 对话流程
- 工具调用
企业业务连接 进入真实业务流程
- CRM
- ERP
- OA
- HIS
- BI
- 商品系统
- 订单系统
- 客户系统
- 门店系统
- IoT
- 第三方 Agent
专属智脑×具身系统→能真正工作的智能体
专属智脑决定
这个智能体是谁、知道什么、应该做什么。
具身系统负责
智能体如何感知、表达和行动——具身系统包含感知、表达、行动。
03｜多模态表达
根据当前交互上下文，实时生成并同步驱动语音、表情与动作，让 AI 实现统一、连续、自然的具身表达。
交流从来不只是文字
真实交流包含语言、声音、语气、情绪、节奏、停顿、眼神、表情、头部动作、手势与身体动作。一个进入现实空间的 AI，不能只是 LLM + TTS，它需要真正拥有具身表达能力。
实时生成与驱动
从输入上下文，到生成与驱动
根据 · 输入上下文
实时生成和驱动
表达不是预制的播放，而是根据上下文实时生成，并与感知持续同步。
生成与驱动 · 输出模态
最终形成——统一、连续、同步的具身表达
04｜AI 端渲
把渲染从昂贵云端搬到普通终端，让高质量实时数字人成为终端基础能力，实现成本更低、延迟更低、稳定性更高。
让数字人从昂贵云端，来到普通 AI 终端
让高质量实时数字人从昂贵的云端能力，变成普通 AI 终端可以大规模部署的基础能力。
核心价值
降低云 GPU 成本
渲染在端侧完成，摆脱对云端算力的持续依赖
降低带宽
不再依赖视频流的长距离传输
降低延迟
就近渲染，交互链路更短
提升稳定性
弱网环境下依然可用
支持弱网
网络波动不中断实时交互
支持大规模并发
并发不再受云端渲染资源限制
支持低成本 AI 终端
对终端芯片要求不高，成本可控
终端基础能力
降低云 GPU、带宽、延迟与规模化部署成本，让高质量数字人成为 AI 终端基础能力。
工程基础设施定位
在星云的产品体系中，AI 端渲与 Runtime 是关键技术与工程基础设施——它们支撑感知、智脑、表达与行动在终端上真正跑起来。
05｜行动与机器人能力
让智能体不只回答问题，还能真正完成任务。
两层行动
屏幕也有行动，只是主要行动发生在数字世界；机器人则进一步把行动延伸到物理世界。
数字行动
发生在数字世界——查询订单与库存、填写表单、创建工单、调用企业系统，完成业务流程。
- Agent 调用
- 页面控制
- 系统查询
- 表单办理
- CRM 操作
- 业务系统连接
- IoT 控制
物理行动
发生在物理世界——转向用户、靠近用户、导航带路、执行 Robot Skill、操作现实设备。
- 转向
- 移动
- 导航
- 带路
- 跟随
- 指示
- 上肢动作
- Robot Skill
- 物理世界操作
智能体与身体
多身体统一
长期差异化同一个智能体：在手机上出现 → 进入固定屏 → 进入移动屏 → 进入机器人。智能体持续存在，身体不断升级。
智能体与身体解耦
智能体与身体解耦，同一个智能体可以跨不同终端运行——企业知识、身份、人设、记忆、Agent、任务与业务能力持续复用。
完整的具身交互智能闭环
感知×智脑×表达×行动=完整的具身交互智能闭环
核心差异化：端到端技术优势
星云不是几个能力模块的拼接，而是围绕完整用户交互设计的整个系统——每一项差异，都对应一种真实的产品与工程选择。
（ 1 ）端到端，而不是拼接
更低延迟 · 更统一状态 · 更自然打断 · 更同步表达 · 更稳定工程 · 更容易规模化
（ 2 ）持续交互，而不是一问一答
听 · 看 · 理解 · 判断 · 表达 · 行动
（ 3 ）专属智脑，而不是通用 Chatbot
身份 · 知识 · 任务 · 规则 · 业务能力
（ 4 ）具身表达，而不是播放 TTS
语音 · 情绪 · 表情 · 眼神 · 手势 · 身体动作
（ 5 ）AI 端渲
云 GPU · 带宽 · 延迟 · 规模化部署成本
（ 6 ）全栈可插拔
ASR · LLM · TTS · Agent · RAG · 知识库
（ 7 ）多身体统一
智能体持续存在，身体不断升级。
（ 8 ）面向规模化设计
开箱即用 · 成本可控 · 容易部署 · 远程运维 · 大规模并发 · 渠道复制 · 持续订阅