1
又快又聪明，阿里发布Qwen-Audio-3.0-Realtime：实时语音大模型四项功能升级
阿里实时语音大模型四项功能同步升级，智商与口语抗噪双突破，堪称又快又聪明。
2
阿里发布实时语音交互对话模型 Qwen-Audio-3.0-Realtime，号称懂倾听、更聪明
阿里发布实时语音交互模型，升级智商、共情与双工流畅度，号称更懂倾听更聪明。
IT之家 7 月 15 日消息，阿里巴巴实时语音交互对话模型 Qwen-Audio-3.0-Realtime 今天（15 日）正式发布，在智商、Agent 工具调用、共情对话和双工交互流畅度四条主线上同步升级，力求“又快又聪明”。 模型包括推理更强的 Plus 版本和速度更快的 Flash 版本，适…
3
阿里巴巴发布实时语音交互对话模型Qwen-Audio-3.0-Realtime
36氪获悉，据千问大模型消息，阿里巴巴发布实时语音交互对话模型Qwen-Audio-3.0-Realtime，在智商、Agent工具调用、共情对话和双工交互流畅度四条主线上同步升级。
4
阶跃星辰端侧模型全家桶 Step Edge 登场，面向手机、汽车等终端场景
阶跃星辰推出端侧模型全家桶Step Edge，面向手机汽车，让AI智能体落地终端场景。
IT之家 7 月 12 日消息，阶跃星辰今天宣布推出 Step Edge 端侧模型全家桶，包含 Step Edge 基础模型、Step Edge Audio、Step Edge GUI 和 Step Edge Gen 四款产品。 IT之家了解到，这四款模型面向手机、汽车等终端场景，旨在让 Agent…
5
千问大模型升级实时语音识别大模型Fun-ASR-Realtime
36氪获悉，千问大模型正式升级实时语音识别大模型Fun-ASR-Realtime——一款首字延迟控制在百毫秒级别、识别准确率接近离线模型的流式语音识别模型，支持16种方言和30种语言。
6
How we built a voice-first, screen-aware product guide with the OpenAI Realtime API
利用OpenAI Realtime API打造语音优先、屏幕感知的产品指南，巧妙平衡隐私与成本，为实时语音应用提供实战架构决策与权衡经验。
Most in-app onboarding tools tell users what to do. They pop a tooltip, queue a checklist, or open a chat box where an AI types a paragraph the user s…
7
Real-Time Voice AI Hears but Does Not Listen
评估四大主流实时语音AI在“言外之意”上的表现，揭示模型“听得到词却听不懂调”的盲点
arXiv:2606.26083v1 Announce Type: new Abstract: Speech conveys information through both words and vocal delivery. We evaluate four leading production …
8
NIM4-ASR: Towards Efficient, Robust, and Customizable Real-Time LLM-Based ASR
提出NIM4-ASR架构，实现高效、鲁棒且可定制的基于LLM的实时语音识别。
arXiv:2604.18105v2 Announce Type: replace-cross Abstract: Integrating large language models (LLMs) into automatic speech recognition (ASR) has become …
9
Show HN: Babel realtime calls with strangers in any language
与陌生人实时语音通话，AI双向翻译打破语言障碍；85%功能一次成型，展现前沿模型应用魅力。
Babel pairs you with a random stranger for an anonymous voice call. You each pick what you speak and what you want to hear — if they differ, you hear …
10
阶跃星辰开源 Step 3.7 Flash 模型，最高生成速度每秒 400 Tokens
阶跃星辰一次性开源多款AI模型，Step 3.7 Flash生成速度高达每秒400 Tokens，刷新行业效率标杆。
IT之家 5 月 29 日消息，阶跃星辰今日正式发布并开源 Step 3.7 Flash，是面向 Agent 生产化阶段推出的新一代 Flash 模型，围绕 Agent、Coding、Search 与多模态工作流进行系统优化。 Step 3.7 Flash 采用稀疏 MoE 架构， 总参数 196B…
11
KAME: Tandem Architecture for Enhancing Knowledge in Real-Time Speech-to-Speech Conversational AI
提出KAME双架构协同，实时语音对话AI兼顾流畅交互与深度知识，突破现有模型语义瓶颈
arXiv:2510.02327v2 Announce Type: replace-cross Abstract: Real-time speech-to-speech (S2S) models excel at generating natural, low-latency conversatio…
12
Show HN: We dropped Go for Rust in our real-time telephony AI media plane
实时语音AI的延迟生死线：从Go到Rust的迁移如何压缩毫秒级时延，守住250ms实时交互边界。
In building Vivik, an execution-grade telephony AI engine, we faced a brutal constraint: the human conversational loop. In psychoacoustics, a delay un…
13
Advancing voice intelligence with new models in the API
OpenAI API推出全新实时语音模型，支持推理、翻译与转录，打造更智能自然的语音交互体验。
Explore new realtime voice models in the OpenAI API that can reason, translate, and transcribe speech, enabling more natural and intelligent voice exp…