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
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。