这半年你接到的那通"AI代接"电话，和车机里那个能随时被打断的语音助手，其实是同一件事：语音AI"从你话音落地到它开口"的时间，从一秒多压到了0.3—0.5秒这个量级。这半秒的差距不来自某块芯片或某次调优，而来自拆掉"先转写、再思考、再朗读"的三段流水线——一个端到端全双工模型同时听、同时想、同时说。今年8月，字节跳动发布音视频全双工大模型SeedRealtime并在豆包App全量上线，模型不再依赖外部语音活动检测来判断轮次，话说到一半就可以打断它。车这边，IDC首次把AI座舱解决方案作为独立市场统计，2026年上半年中国市场规模达到7.1亿元。两个信号指向同一点：实时语音交互正从"能演示"走向"能日用"。知乎今日头条
半秒去哪了：流水线上的七笔账
过去的语音AI是条三级流水线：ASR把你的声音变成文字，大模型读文字写出答案，TTS再把答案念出来。问题不在每一段有多慢，而在每一段都必须等上一段干完。第一笔账是"等你说完"：检测静音来判断句子结束必须留安全余量，余量给小了会抢话，给大了就一起干等——有做语音对话开发的工程师估算，80%的延迟假象来自截断等待与非流式缓冲，而非模型推理本身。一位B站技术UP主把这条链路拆成采集、编码、上行、判断说完没有、转写、出第一个字、合成、下行八道工序，最先到期的不是算力，是"等你说完"。知乎哔哩哔哩
用户对这笔账很敏感。钛媒体在盘点实时语音赛道时给出一条经验线：0.5秒以内的延迟让人感觉"在对话"，1.5秒左右变成"在等机器人"，到4秒，用户只会觉得"这功能坏了"。钛媒体
端到端：一个模型取消三次排队
SeedRealtime的做法不是把每一段调快，而是换一张桌子：音频、视频、文本融进同一个模型，在连续的多模态信息流上同步完成感知、理解、决策与表达。字节披露的人工评测数据显示，相比传统级联系统，音视频对话中的节奏问题减少约一半——话没说完被抢断、话音已落回应迟缓、被背景杂音误触发，都明显下降。知乎
同一条路线上的数字还在下探。阿里10月底公开的Qwen-Audio-3.1-ASR技术报告，把转写、说话人分离与口语润色合并进单一模型，宣称首字延迟低至100毫秒、多语种识别错误率下降32.9%。海外这边，xAI把语音管线压成一个自研的端到端模型后，Grok Voice ThinkFast 2.0的首音延迟已为0.70秒，用户话音刚落，它可以在多数人尚未察觉的间隙里就开口应答。知乎钛媒体
但半秒的账也有取舍。同样是QwenAudio 3.0系列，主打推理的Realtime Plus以99.2%刷新语音推理基准纪录，平均首音延迟却高达4.02秒，面向实时交互的Flash版本才做到300毫秒级——推理越深，延迟越贵。而且各家口径并不一致：做语音Agent评测的工程师提醒，首音延迟至少有用户停止发声、模型开始生成、播放器播出首块等多个可取起点，起点不同的两个300毫秒根本不可比。钛媒体知乎
电话线两端，对半秒最苛刻
代接电话是最难的对话场景：对方在听电话，任何停顿都会被读成信号不好。小爱的AI自动接听早已是小米系手机的常见功能，帮用户拦掉骚扰电话是它最高频的用途之一。10月底还有微博用户反馈"豆包又自动帮我接了电话"，跟推销员聊得火热。同一套技术的另一面，是被投诉"屡禁不绝"的AI骚扰电话，日拨上千通。小红书微博知乎
而代接真正的边界其实不在延迟。10月14日，豆包手机助手公示结束，包括微信、淘宝、支付宝在内的155款主流App明确拒绝其自动化操作——AI"能接"靠延迟，"能办事"卡在平台门禁。36氪
车里，"快"只是第一道门槛
座舱是另一个量级。IDC预计2026年全年中国AI座舱解决方案市场规模达到16.6亿元，2030年增长至47.1亿元，未来四年的年复合增长率接近30%。供给端也在放量，2025年舱驾融合量产车型约167万辆，同比增长43%，前装AI座舱搭载率到了12%。今日头条36氪
但语音快了，信任没有同步跟上。2026中国汽车供应链大会上，汽车工业蓝皮书执行主编援引J.D.Power的调研数据：56.5%的用户因为可靠性和安全顾虑，减少使用AI车控功能。在车里，AI太快反而是新问题：你句中停顿是在想词，车机该等，不该抢。36氪
半秒之后，竞争进入第二层
全双工真正难的不是通道，而是人类对话里那套没写下来的礼仪：停顿0.3秒是思考还是讲完了，“嗯"一声是附和还是抢话，两人同时开口谁让步。有知乎答主把全双工模型的进步概括为，从"会接电话的播音员"走向"知道什么时候接话、什么时候闭嘴的聊天对象”。接下来值得盯的不只是谁把首音压进300毫秒，而是各家会不会公布误打断率、误执行率这类可比的事件级指标，以及那只一直开着的麦克风，能不能给出一个说得清的隐私答案。知乎
