PolyAI发布原生音频模型，延迟低至300毫秒媲美真人

景点排名 2026年07月31日 11:09 1 admin

语音AI开发商PolyAI今日正式发布Dialog-RSN-1，这是一款能够直接感知并响应音频的原生语音对话大模型。

传统语音AI链路通常串联语音识别、文本大模型及语音合成三个独立环节，易导致信息损耗与延迟。Dialog-RSN-1则在模型内部完成所有语音识别与语义理解，仅将语音输出环节分离。这种架构使AI能一次性“听懂”完整对话，精准捕捉语调、节奏及上下文，无需依赖前置模型。

原生音频理解：捕捉非言语线索

据PolyAI介绍，由于直接解析音频流，新模型能识别改变对话走向的非言语线索。用户可提示模型针对来电者的口音、情绪或环境噪音做出反应。与传统转录丢失信息不同，该模型能结合上下文修正发音错误，例如区分品牌名“Audibel”与普通单词“audible”，或理解用户大声拼写“Matthew有两个T”的意图。

这一机制显著提升了响应速度与交互自然度。模型能在后台快速调用工具并基于全量上下文构建回复，同时通过捕捉用户说话节奏，有效降低不当打断的概率，实现类人的轮流发言体验。

性能对比：延迟远低于行业标杆

数据显示，Dialog-RSN-1的延迟区间为280至500毫秒，并能稳定在300毫秒内响应。相比之下，OpenAI的GPT-realtime-2.1响应延迟通常在860至1900毫秒之间。

人类正常对话的自然停顿约为200至300毫秒，且跨文化、语言具有高度一致性。AI响应若偏离此时机，易引发用户挫败感，尤其在用户试图打断纠错时，高延迟会导致沟通效率大幅降低。

架构解耦：灵活控制语音输出

PolyAI刻意将文本转语音（TTS）模块从大模型中剥离。这意味着最终用户可独立调整声音音色、情感色彩及节奏，无需对底层对话模型进行昂贵且复杂的重新训练。

这与GPT-realtime和Gemini Live等内置语音输出的模型形成鲜明对比。后者难以大规模定制声音且流媒体成本高昂。而Dialog-RSN-1的解耦架构允许企业在专用硬件上高效运行TTS，自主控制资源投入，从而降低整体计算成本。

技术层面，PolyAI利用内部数据，通过监督微调和强化微调对开放权重的多模态模型进行后训练。其训练管道兼容Gemma、GPT-OSS、Qwen和Mistral等多种基座。公司的目标是在A100 GPU上部署8B密集或30B稀疏模型时，将延迟控制在300毫秒以下。

【星途科讯图文丨踢三脚首发于ZAKER科技，转载请注明出处】

大神教教你！约战手机麻将有挂技巧辅助器(其实是有挂的)

玩家必看攻略“手机跑得快辅助器（专用辅牌神器免安装）

发表评论