近期语音模型领域进入实时性与多模态融合的加速期，多个重磅模型发布，标志着从「能听会说」向「实时理解与交互」的质变。
- 主要进展：
- OpenAI 发布 gpt-realtime-translate 实时翻译模型：支持 70+ 输入语言，依托 GPT-4o 的语音到语音架构，实现低延迟翻译，进一步拓展了语音模型的应用边界。（来源）
- 阶跃星辰发布 StepAudio 2.5 Realtime：端到端语音模型，专为角色扮演场景优化，采用 RLHF 对齐，能够理解语调、音色等副语言信息，完成更自然的交互。（来源）
- 阿里通义千问推出 Qwen3.5-LiveTranslate：实时语音翻译模型，延迟低至 2.8 秒，支持多语言，专注于对流式语音的快速处理。（来源）
- gpt-realtime-2 语音模型升级：智能度大幅提升，反应更自然、上下文理解更强，OpenAI 还邀请开发者展示实时语音作品，推动社区应用。（来源1）（来源2）
当前焦点/未来观察：
当前焦点在于语音模型的「实时性」和「拟人化」：端到端架构取代级联系统，延迟降至秒级甚至毫秒级；同时开始重视副语言信息（情绪、语调、风格）的理解与生成，在客服、教育、娱乐、翻译等场景中逐步落地。未来观察点包括：模型的跨语言泛化能力、多轮对话中的长上下文记忆、以及如何克服口音、噪声等现实干扰。此外，语音模型与文本、图像的多模态融合将成为下一阶段竞争的关键。