💡 站外导读：当前语音交互领域长期存在延迟高、交互不自然、抗干扰能力弱等痛点，尤其是在实时对话场景中，用户难以实现随时打断和自然交流。随着AIGC技术快速发展，市场对更拟人、高效、低延迟的语音助手需求激增。智源研究院联合Spin Matrix与南洋理工大学开源FLM-Audio，旨在通过原生全双工架构与自然独白训练范式，突破传统时分复用的技术瓶颈，为下一代人机语音交互提供新基础。
FLM-Audio是什么
FLM-Audio 是北京智源人工智能研究院联合 Spin Matrix 与新加坡南洋理工大学共同发布的原生全双工音频对话大模型，支持中文和英文。采用原生全双工架构，可在每个时间步合并听觉、说话和独白通道，避免传统时分复用方案的高延迟问题。其独特的自然独白与双重训练范式，使模型在对话中更接近人类的自然交流方式，有效解决了异步对齐问题。FLM-Audio 仅用 100 万小时数据训练，数据量大幅减少，但回复质量高且响应敏捷自然，对噪声和用户打断也有较强鲁棒性。
FLM-Audio的主要功能
-
全双工语音交互：实现“边听边说”，用户可随时打断模型，模型能即时暂停输出并理解新问题后回应，交互自然流畅，延迟低。
-
支持多语言：模型支持中文和英文两种语言，能够满足不同语言用户的对话需求。
-
自然语音建模：采用“自然独白”方式模拟人类说话节奏，通过“双重训练”强化语言与声学语义对齐，兼顾低延迟与语言建模性能。
-
低数据高效训练：仅用约100万小时音频数据训练出70亿参数模型，在嘈杂环境、频繁打断场景下仍保持高鲁棒性和自然度。
-
强鲁棒性：对噪声和用户打断具有较强的鲁棒性，能迅速停顿当前输出、准确理解新问题并即时作答，保证对话的流畅性和准确性。
-
完全开源支持：论文、模型权重与代码均公开，支持本地部署与二次开发，方便研究与应用拓展。
FLM-Audio的技术原理
-
原生全双工架构：模型设计支持同时进行语音输入和输出，能实时处理语音流，实现边听边说的交互模式。
-
自然独白训练：采用连续句段与停顿组成的“自然独白”代替逐词对齐，更接近人类真实说话方式，提升语音交互的自然度。
-
双重训练策略：通过将独白交替放在音频首尾进行训练，强化语言与声学语义的对齐，提高模型对语音内容的理解和生成能力。
-
小数据高效训练：利用少量音频数据（约100万小时）训练出高参数量模型，通过优化训练方法和架构，实现低延迟和高鲁棒性。
FLM-Audio的项目地址
-
GitHub仓库：https://github.com/cofe-ai/flm-audio
- HuggingFace模型库：https://huggingface.co/CofeAI/FLM-Audio
- arXiv技术论文：https://arxiv.org/pdf/2509.02521
FLM-Audio的应用场景
-
在线教育：AI 助教可实时回答学生问题，提供更自然、高效的互动体验。
-
游戏与虚拟现实（VR）：NPC 可实现不间断、可打断的自然语音互动，增强游戏的沉浸感。
-
智能客服：低延迟对话减少用户等待，提升客服效率和用户体验。
-
智能陪伴：为用户提供更接近真人的语音互动，增强陪伴感。
-
语音助手：在智能家居、智能办公等场景中，提供更自然的语音交互体验。
-
会议辅助：在多人会议中，实时翻译、记录和互动，提高会议效率。
📝 站长洞察 (Editor’s Insight)
FLM-Audio的发布标志着全双工语音交互从概念走向可落地开源阶段。其核心创新在于用“自然独白”模拟人类说话节奏，并通过双重训练对齐语言与声学语义，这比逐词对齐的传统方案更接近真实对话。仅用100万小时数据训练70亿参数模型，展现了小数据高效训练的范式潜力，这对降低行业数据门槛有重要意义。结合开源策略，它将加速智能客服、游戏NPC、在线教育等场景的体验升级。从大趋势看，语音大模型正从“能对话”向“自然对话”演进，FLM-Audio在低延迟、抗打断上的表现，预示着未来两年内，拟人化语音交互或成AI应用标配，而中国团队的这一开源成果，也为全球AIGC生态贡献了关键基础设施。
