人与 AI 的沟通正在变得越来越像人与人之间的沟通。 一位店员用 AI 制作门店宣传视频时，不再把需求列成一段非常细致的 Prompt 发给 AI，然后等待它返回结果；而是直接开启一个与 AI 的对话，告诉它“帮我剪一条今天新品上架的视频”，然后通过连续对话敲定任务的具体细节，就像与人类剪辑师一样。 同样的情况已经发生在很多具体场景中。一些程序员在通勤或散步时会用语音和 Agent 讨论一个功能该怎么设计，如何实现；有用户在玩游戏时，会不断与 AI 游戏助手沟通现在应该做哪些任务，当前的关卡还有哪些道具没有收集…… 进入 Agent 时代，AI 不再只是输入框另一端的响应系统，而是开始进入需求讨论、方案判断和任务执行的全过程。这种角色变化，也让音视频对话成为越来越多人与 Agent 交互的主要方式。 数据显示，豆包 App 在今年一季度的音频用量环比增长约200%，视频用量增长约350%；近一年来的音视频模型日均 Token 消耗已经达到千亿级别。联想天禧 AI 看世界功能从2025年8月上线到2026年5月，人均对话轮次提升至刚上线时的1.65倍，是传统一问一答主对话的3倍。 当越来