对话AI厂商PolyAI于近日推出全新音频原生对话模型Dialog-RSN-1，该模型首次将话轮转换、语音识别、函数调用、自然语言响应生成四大能力整合至单一架构，无需多模块串联即可完成全链路语音交互，端到端延迟控制在300毫秒以内，大幅降低语音交互卡顿感，为智能客服、车载语音等场景提供了新的技术选型。
不少用户在使用车载语音、智能客服等语音交互产品时，都遇到过“指令说完等1秒才反应”“中途插话被系统忽略”的糟糕体验——这种体验短板的核心原因，是传统语音交互方案依赖ASR（自动语音识别）、大语言模型、TTS（语音合成）等多个独立模块串联调用，链路损耗叠加后延迟普遍超过1秒，很难达到真人对话的流畅度。
过去几年行业针对单个模块的优化已经接近瓶颈，ASR识别延迟已经压缩到百毫秒级，但多模块串联的架构问题没有解决，端到端延迟就很难降到用户无感知的水平，这也成为语音交互在很多高频场景渗透率不足的核心阻碍。
尤其是对实时性要求极高的车载、金融客服等场景，超过1秒的延迟不仅会降低使用体验，甚至可能带来驾驶安全、客户流失等实际损失，行业始终期待能从架构层面解决延迟问题的方案。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号