real-time（实时）在当前 AI 语境下，主要指语音到语音（Speech-to-Speech）的实时对话能力：模型直接接收音频输入、即时生成语音输出，延迟低到足以支撑自然的人机对话，被视为 AI 从“文字问答”走向“语音交互”的关键技术路径。近期，这一领域集中出现多款新模型和开源替代方案，竞争明显升温。
Real-time 语音模型的近期进展
当前焦点与观察点
从这批发布看，real-time 语音赛道的竞争焦点已经从“能不能做”转向“做得更快、更便宜”。Grok Voice 3.0 在登顶的同时强调成本优势，ElevenLabs 用 Max 与 Mini 双档位覆盖不同预算的场景，都是围绕性价比做文章；而 Realtime-Venus 的出现则说明开源社区希望打破闭源 Realtime API 的垄断。
另一个值得观察的趋势是实时语音与“执行能力”的结合。阿里云 Apsara 大会上展示的 Qwen3.8-Max 等模型，被描述为“从对话走向执行”，即语音交互不再只是聊天，而是驱动任务完成。实时、低延迟的语音链路正成为 AI Agent 落地的前端入口，这也是各大厂商密集押注的根本原因。
对普通用户和开发者而言，短期内可关注两点：一是各实时模型在真实场景下的延迟与稳定性表现（榜单分数与体感往往有差距）；二是开源方案能否在质量接近的前提下大幅降低接入门槛。