OpenAI和Gemini都在用的实时语音交互，背后是这家中国公司

AI写代码快、做研究也快，但在“聊天”这件事上仍显生硬：话没说完就被抢话，情绪上来时仍照本宣科，想打断换话题却非要念完最后一句。问题不在“会说”，而在“会聊”，需要听懂情绪与言外之意、跟上说话节奏、在被打断时及时让出话口。这些体验背后涉及语音识别、模型理解、实时传输、终端响应整条链路，实时交互因此成为模型、应用和硬件团队共同攻关的方向。

刚落幕的iRTE2026实时智能大会汇聚了研究下一代交互模型的团队、客服Agent开发者和智能硬件厂商，讨论焦点一致：对话AI正从“生成一句话式回答”转向“持续参与真实交流”。OpenAI的GPT-Realtime将实时推理与工具调用引入语音模型，使AI在听懂需求后判断如何回应、调用何种工具；Google的Gemini Live让对话与深度思考并行，后台处理复杂任务时用户仍可继续交流；GPT-Live配合Decisions则让Agent根据增量转写，在用户说话过程中触发操作。从全双工边听边说，到结合声音与画面的全模态判断，AI正走出回合制问答。

iRTE大会本身也在演变：2020年由RTC升级为RTE，议题从实时音视频通信拓展至更丰富的实时互动体验；今年加入代表Intelligent的“i”，升级为iRTE，聚焦实时互动与生成式AI的融合。本届大会设十余场论坛、100余场分享，指向对话式AI落地的三道现实命题。

• 企业级客服智能体专场中，美团、阿里、MiniMax、声网同台探讨：大模型对话表现再好，若不能适配真实业务流程，仍难产生商业价值，行业需弥合模型路线、工程实现与业务目标之间的鸿沟。
• 流畅对话离不开底层技术底座。阶跃星辰、香港中文大学（深圳）、清华大学语音与音频技术实验室、Qwen Audio、蚂蚁百灵、小米、Soul等企业及高校机构专家在对话式AI、音频AI技术专场，围绕交互模型、目标人声提取、多说话人识别、实时语音生成等方向展开研讨。