·技术, 多模态
1 分钟0
全双工语音模型精读⑪：流式视频理解 VLM 全景——从音频全双工到'边看边想边开口'
> 本文基于开源文献地图仓库 Awesome-VLM-Streaming-Videohttps://github.com/ydyhello/Awesome-VLM-Streaming-Video（京东探索研究院维护）做一次领域全景梳理。它汇集了 2024–2026 年"流式/在线视频理解"方
·全双工语音模型精读, 技术
1 分钟0
全双工语音模型精读⑩：Qwen3.8-Omni——Thinker-Talker 长程 Agent、1M 上下文与流式实时全双工
全双工语音模型精读⑩：Qwen3.8-Omni——Thinker-Talker 长程 Agent、1M 上下文与流式实时全双工 > 「全双工」到这里，追问的不再是"能不能实时对话"，而是"能不能一边说话、一边计划、一边调工具、一边把几小时的长视频干完"。 这是「全双工语音模型精读」系列的第
·技术
1 分钟0
全双工语音模型精读①：Moshi——第一个实时全双工语音大模型，双流建模与 Inner Monologue
> 全双工语音模型系列精读第 1 篇。本文基于 Moshi 官方论文 arXiv:2410.00037v2 与开源代码，梳理其设计动机、架构与评测。配套总览见《全双工语音大模型全景调研》。 一、为什么它是"鼻祖" 在 Moshi 之前（2024 年 9 月之前），所有语音助手都是级联流
·技术
1 分钟0
全双工语音模型精读②：Freeze-Omni——冻结 LLM、8 张卡 6 万条数据做出全双工语音对话
> 全双工语音模型系列精读第 2 篇。本文基于 Freeze-Omni 论文 arXiv:2411.00774v5 与官方项目页，梳理其"冻结骨干"路线。配套总览见《全双工语音大模型全景调研》。 一、它要解决的痛点：语音数据太少，微调会"变傻" GPT-4o 展示端到端语音交互后，2024
·技术
1 分钟0
全双工语音模型精读③：GLM-4-Voice-9B——175bps 单码本、12.5Hz、INT4 可本地跑的中文语音助手
> 全双工语音模型系列精读第 3 篇。本文基于 GLM-4-Voice 技术报告 arXiv:2412.02612 与官方开源仓库，梳理其端侧中文实时语音方案。配套总览见《全双工语音大模型全景调研》。 一、定位：要"像人"、要实时、还要能本地跑 GLM-4-Voice（智谱 AI，Zeng
·技术
1 分钟0
全双工语音模型精读④：Qwen3-Omni——Thinker-Talker MoE，音频首包 234ms 的开源全模态旗舰
> 全双工语音模型系列精读第 4 篇。本文基于 Qwen3-Omni 技术报告 arXiv:2509.17765 与官方开源仓库，梳理其 Thinker-Talker MoE 架构。配套总览见《全双工语音大模型全景调研》；下一代 Qwen3.5-Omni 见该文第五节。 一、定位：首个"全模
·技术
1 分钟0
全双工语音模型精读⑤：Gander 论文精读——腾讯混元的全双工语音智能体，如何把"实时对话"和"长任务干活"缝进一个模型
> 全双工语音模型系列精读第 5 篇。本文逐节解读《Omni Interaction Agent Technical Report》（Gander，arXiv:2609.08977v2，2026 年 9 月 9 日）。该研究由腾讯混元语音团队（Hunyuan Speech Team, Tence
·技术
1 分钟0
全双工语音模型精读⑥：Qwen3.5-Omni Realtime——Hybrid-MoE、ARIA 文音对齐与语义打断的全模态旗舰
> 全双工语音模型系列精读第 6 篇。本文基于 Qwen 官方博客《Qwen3.5-Omni: Scaling Up, Toward Native Omni-Modal AGI》（2026-03-30）与阿里云百炼 Realtime API 文档。配套总览见《全双工语音大模型全景调研》；上一代 Qw
·技术
1 分钟0
全双工语音模型精读⑦：OpenAI gpt-realtime 与 GPT-Live——从端到端 S2S API 到全双工前台/后台委派
> 全双工语音模型系列精读第 7 篇。本文基于 OpenAI 官方博客与官方帮助文档，梳理 OpenAI 语音线两代产品：gpt-realtime（2025-08-28 GA）与 GPT-Live（2026-07-08）。配套总览见《全双工语音大模型全景调研》。 一、OpenAI 语音线的两
·技术
1 分钟0
全双工语音模型精读⑧：Google Gemini Live API——原生多模态全双工、视觉在环与主动开口
> 全双工语音模型系列精读第 8 篇。本文基于 Google 官方 Gemini API 文档（Live API）梳理其原生多模态全双工方案。配套总览见《全双工语音大模型全景调研》。 一、定位：把"视觉在环"做成 Live API 标配 Gemini Live API 是 Google 面
·技术
1 分钟0
全双工语音模型精读⑨：字节 Seeduplex 与 SeedRealtime——RL 话轮决策到音视频原生全双工
> 全双工语音模型系列精读第 9 篇。本文基于字节 Seed 官方页面与火山引擎 API 文档，梳理字节语音全双工两步走：纯语音的 Seeduplex（2026.4）与音视频原生的 SeedRealtime（2026.8）。配套总览见《全双工语音大模型全景调研》。 一、字节的两步走 字节在
·技术
1 分钟0
全双工语音大模型全景调研（2026年9月）：13 个维度看懂 Moshi、GPT-Live、Gemini Live、SeedRealtime、Gander 们的技术路线
> 本文所有大厂模型数据均来自其官方博客、官方技术文档或 arXiv 论文，文末附一手来源链接。第三方实测数据单独标注。截至 2026 年 9 月 10 日。 一、先统一概念：全双工不是 0/1 开关 "全双工"（Full-duplex）来自通信领域：双方可以同时收发信号。对照三档： -
·技术
1 分钟0
SeedRealtime 深度调研：字节原生音视频全双工大模型，与 GPT-Live / Gemini Live 的三条路线之争
> 2026 年 8 月 5 日，字节跳动 Seed 团队发布原生音视频全双工大模型 SeedRealtime，并在豆包 App 全量上线——官方称这是"业界音视频全双工技术的首次规模化落地"。它的定位不是"会说话的 Chatbot"，而是"边看、边听、边说"：模型持续看着摄像头画面、听着环