全双工

general · First seen 2026-05-22 · Last seen 2026-11-14 · 22 mentions

Overview

全双工(Full-Duplex)是指 AI 语音模型能够同时进行“听”和“说”的技术形态——用户可以在模型说话时随时插话、打断,模型像真人对话一样实时感知并调整回应,而不是传统语音助手那种“一问一答、等对方说完”的半双工模式。它是当前实时语音智能体从“能用”走向“自然”的关键分水岭。

全双工语音模型的近期进展

  • Fish Audio 发布 Live 3:全双工语音模型,响应延迟最低 186 ms:Fish Audio 推出的 Live 3 将响应延迟压到最低 186 ms,达到接近人际对话的反应速度。配套的 Fish Agent 演示展示了两个 AI 智能体通过电话自动处理售后全流程的场景,与 SkillNet 合作的 Voice Operator Agents 则把这类能力落到电话语音智能体产品上。
  • Nuance Labs 推出 Emma:基于 Nuplex 1.0 全双工模型的双向实时 AI 视频人设:全双工正从纯语音扩展到视听多模态。Nuance 的 Emma 基于 Nuplex 模型实现双向实时音视频对话,让 AI 形象可以边看边听边说。
  • Block 发布全双工语音模型 Dessa,仅用语音数据训练:Block 的 Dessa 采用纯语音数据训练路线,可本地运行并原生支持情绪表达,说明全双工模型在端侧部署上也开始具备可行性。
  • 此外,华为 openJiuwen 为 WorkSwarm 添加全双工音视频,OpenAI 推出 GPT-Live-1 实时语音模型 API,支持打断处理与工具调用,大厂与创业公司几乎同步押注这一方向。
  • 当前焦点与观察点

    竞争核心集中在三处:一是延迟,186 ms 这类数字说明头部产品已逼近人类对话的自然节奏;二是打断与情绪建模,模型能否准确判断用户是想插话还是单纯发出声音,以及回应中是否带有合适的情绪,直接决定体验;三是部署成本,本地运行路线与纯语音数据训练路线都在尝试压低门槛。

    值得关注的风险点在于商业化落地:电话客服、AI 视频人设等场景虽然演示效果亮眼,但真实环境中的噪声、口音和长时间对话稳定性仍待验证。另一个观察角度是评测标准——半双工时代的 benchmark 未必适用于全双工,行业尚缺公认的衡量方式。整体看,全双工已从技术演示进入产品化早期,未来半年各家在延迟、多模态融合和端侧部署上的表现,将决定谁能率先把自然对话体验做成默认标准。

    Coverage

    10 on file