英文：实时语音对话（Real-Time Voice AI） 分类：multimodal
以语音为自然交互界面、可在亚秒级延迟内进行双向实时对话的 AI 能力。实时语音对话让用户像与真人交谈一样与 AI 沟通，支持随时打断、语气情绪与副语言信息（停顿、语调、呼吸声）的传递，是语音助手、客服、学习陪伴等场景从"问一句答一句"走向"自然对话"的关键技术。
技术路线上经历了从"管线式"到"端到端"的演进：管线式由语音识别（ASR）→ 大模型 → 语音合成（TTS）串联，延迟高且丢失情感信息；端到端语音模型让语音直接输入输出，由单一模型完成理解与生成，配合流式传输（WebRTC/WebSocket）、打断检测（barge-in）与语音活动检测（VAD）实现实时交互。2026 年进一步叠加实时数字人形象（Live Avatar）与情感深度建模，交互体验逼近真人视频通话。
2023 年语音助手仍以管线式为主；2024 年 GPT-4o 原生实时语音与 Google Gemini Live 将端到端实时对话推向主流；2025 年各厂语音模型能力与情绪表达大幅提升；2026 年 Gemini 3.8 Live 等引入实时数字人形象，实时语音成为智能体标配交互入口。
手机语音助手、智能客服、语言学习陪练、实时会议同传与速记、车载免提交互、数字人直播与虚拟偶像互动。