通义实验室发布实时双工全模态交互模型 Wan-Streamer v0.2，端到端响应延迟约 550ms，输出视频分辨率提升至 640×368 @ 25FPS。模型将传统流水线重构为基于 160ms 流式单元的原生因果流，并采用单卡 Thinker 与多卡 Performer 双通路硬件解耦与 Ulysses 序列并行机制，实现低延迟感知与重载视频生成的时序重叠。
推荐理由：原文给出了双通路硬件解耦与时序重叠调度方案，展示了在大幅提升视频分辨率时维持超低交互延迟的具体工程路径。
通义实验室将语音交互模型 Fun-Realtime-AudioChat 正式升级更名为 Qwen-Audio-3.0-Realtime 并上线阿里云百炼，提供 plus 和 flash 两个版本。
推荐理由：升级通过多模态双工与多教师蒸馏兼顾了低延迟抗噪和复杂工具调用，适合语音交互开发者参考。
Hugging Face 推出 Real World VoiceEQ 评测基准，旨在衡量语音 AI 在真实复杂对话中的拟人交互质量。该基准基于超过 100 万次人类评分，包含 78.5 万条 TTS 和 4.8 万条 STS 评分，涵盖 15 个以上评估维度与 60 多项指标，对 40 多个主流开源及专有模型展开了评测。
推荐理由：该基准基于超百万次人类评分评估语音交互的拟人表现，揭示了传统指标高估现实能力的短板，为检验语音感知提供了新参考。
通义实验室发布 Fun-ASR-Realtime 语音识别模型，单模型支持 30 种语言与 16 种方言，并在工业级方言测评中取得 87.8% 的语义准确率。该模型采用流式与非流式一体化训练，首字延迟控制在百毫秒级，支持动态注入热词与对话上下文以实现同音词和领域词消歧，相关 API 已上线阿里云百炼平台。
Hugging Face 联合 Cerebras 推出开源端到端实时语音流水线，通过 Cerebras 加速推理消除语言模型的响应延迟瓶颈。该系统采用模块化设计，串联了 Nvidia Parakeet 语音识别、运行于 Cerebras 上的 Google DeepMind Gemma 4 31B 以及 Qwen3-TTS 语音合成。
推荐理由：原文展示了结合开源模型与专用推理硬件的实时语音级联方案，读者可参考其模块化堆栈解决语音交互的长尾延迟问题。
Google DeepMind 正式发布最新音频模型 Gemini 3.5 Live Translate，支持 70 多种语言的近实时端到端流式语音互译，并在生成翻译时保留原说话人的语调、节奏和音高。
推荐理由：模型突破了传统轮流对话式翻译的延迟限制，通过流式生成保留说话人语调与节奏，为实时跨语言沟通提供了新方案。
Google DeepMind 正式推出文本转语音模型 Gemini 3.1 Flash TTS，支持原生多说话人对话与 70 多种语言。该模型引入了音频标签功能，允许用户在输入文本中嵌入自然语言指令来精确控制语音风格、语速与停顿，在 Artificial Analysis TTS 榜单上取得了 1211 的 Elo 分数。
推荐理由：模型引入自然语言音频标签来实现句中语气与语速控制，为开发者精细调节多角色拟真对话提供了直接参考。