实时语音对话
Realtime voice · 各家还叫它：realtime / 全双工 / speech to speech
麦克风音频流+系统提示与可调用工具→边听边说的语音回复
0
家能做这件事
厂商官方文档写明支持
4
处权重可自部署
自己的 GPU 上跑，不受平台限制
0
个能跑起来的 workflow
其中官方 0 个
谁能做
还没有模型有明确的官方依据
自己部署权重公开的，拿去自己 GPU 上跑
GLM-4-Voice（端到端语音，权重公开）模型页：「首个端到端语音模型……实现实时语音对话」；上下文 8K、最大输出 4K · 智谱 · GLM-4-Voice
Moshi（端到端全双工，Apache-2.0）kyutai-labs/moshi：Moshi is a speech-text foundation model and full-duplex spoken dialogue framework（★10,849，许可 Apache-2.0） · GitHub · kyutai-labs/moshi（星标 10,849，许可 Apache-2.0）
Qwen3-Omni（原生全模态，Apache-2.0）QwenLM/Qwen3-Omni：Qwen3-Omni is a natively end-to-end, omni-modal LLM（★3,946，许可 Apache-2.0） · GitHub · QwenLM/Qwen3-Omni（星标 3,946，许可 Apache-2.0）
Pipecat（编排框架，BSD-2-Clause）pipecat-ai/pipecat：Open Source framework for voice agents, multimodal（★14,068，许可 BSD-2-Clause） · GitHub · pipecat-ai/pipecat（星标 14,068，许可 BSD-2-Clause）