Block 10 月 23 日上线的 Dessa 演示里有一幕：对话进行到一半，模型在正确的时机附和一声 "yeah"，会插话，让它「说大声点」也照办；你打断它，它不装没听见。Block 给它的定语是「audio in, audio out」——只用人类对话录音从零训练，无文本、无预训练模型【官方】。一天后 TechCrunch 的报道标题用了 eerily human 一词【二手】。
听起来像语音赛道的 iPhone 时刻。但把近三个月被归入「全双工语音」讨论的产品拉到同一张桌上会发现，卖场里混着两种东西：端到端语音到语音（S2S）的真全双工，和文本中介的实时 TTS——后者接得住指令，接不住你半路插进来的那句话。「全双工」大概是营销口径与架构事实差距最大的赛道之一，本文把六款放进同一张表，逐格给出处。
先划边界：站内 10 月 15 日的克隆横评管「把声音变成你的」，10 月 21 日的 Ming-3.0 部署 SOP 管「把字合成声」，Grok Voice 3.0 热点篇管单品动态。本文只管「让声音接得住你」的全双工实时对话：六款横评，一个数字一个出处。
先分路线：实时 TTS 不等于全双工对话
全双工的严格定义是双向同时工作：模型边听边生成，可随时被打断、会附和让步抢话，这要求直接在语音流上做理解与生成，即端到端 S2S。文本中介管道则是「识别成文本、生成回复、合成语音」三段串行，任何时刻只有单向在动。
混淆点在于：文本中介路线也能「响应快、可打断」，延迟数字甚至更好看。Block 官方点名批评的正是这种做法——「把你的声音变成文本，丢掉了文本承载不了的信息」【官方】，停顿、笑声、半截话在转写那一刻就丢了。六款里 Drama 3 与 v4 Turbo 严格说属文本中介路线，保留它们正是呈现路线之争：强项真实，但叫「全双工」是归组错误。
六款同台：一张表看路线
| 维度 | Block Dessa | Fish Audio Drama 3 | Eleven v4 Turbo | Qwen-Audio-3.0-Realtime | NVIDIA VoiceChat 11B | 豆包实时语音 3.0 |
|---|---|---|---|---|---|---|
| 全双工方式 | 原生 S2S，边说边听【官方声明】 | 非全双工，文本中介 TTS【官方】 | 非全双工，双向流式 TTS，打断在产品层【官方】 | 端到端 S2S 加双工控制子模型【官方】 | 单一流式网络，双流同时开【官方】 | 原生全双工端到端【官方一句话，细节二手】 |
| 是否文本中介 | 否，官方主打无文本【官方声明】 | 是【官方】 | 是【官方】 | 未明确披露，「听思同步」并行【官方·模糊】 | 语音 token 直通【官方】 | 无公开口径 |
| 延迟口径 | 快于实时，无数值【官方】 | 首音频中位 88.9ms，H200 单流【官方】 | 推理中位约 100ms、首声约 150ms，不含网络【官方】 | 毫秒级，无数值【官方】 | 轮替 448ms、打断让出 480ms【官方】 | 210ms【传闻·二手】 |
| 可控性 | 情绪宣称原生内建，无标签【官方声明】 | 行内导演标签、改单词语气、16 说话人【官方】 | 行内标签加音效，官方自承标签不完全可靠【官方】 | 语气节奏情感动态调整、音色复刻【官方】 | 无公开口径 | 无公开口径 |
| 开源与许可 | 无权重无 API【官方】 | 开源权重，Community License v1.0，年营收 50 万美元以下免费商用【官方】 | 闭源，仅 API | 闭源，百炼 API | 开源权重，研究专用许可【二手标许可名】 | 「开源」说法未核到原文【传闻·二手】 |
| 部署门槛 | MacBook M4 Max 及以上可本地【官方声明】 | 官方基准 48GB 显存级起步【二手推断】 | 无，云端 API | 无，云端 API | 至少 80GB 显存【官方】 | 无公开口径 |
| 价格 | 未公开 | 50 美元/百万字符，首发 2 折至 11-12【官方】 | 0.04 美元/千字符【官方】 | Flash 版音频输入 6 元/百万 tokens【官方】 | 无（研究用） | 未公开 |
| 语言 | 无公开口径 | 83 语言【官方 tags】 | 91 语言【官方页】 | 无公开语言数口径 | 无公开口径 | 无公开口径 |
| 第三方背书 | 不在任何榜单【二手证实】 | AA 发音榜 93.2% 第一、偏好榜第十【第三方】 | AA 偏好榜综合最高【第三方】 | 官方援引 AA S2S 综合第一【官方转引】 | AA 开源全双工双榜前三【第三方】 | 无独立评测【二手证实】 |
找不到出处的格子写「无公开口径」。
Block Dessa：最会聊天，也最买不到
Dessa 出自 Block 内部小型研究实验室，团队前身为多伦多创业公司 Dessa，直接向 Jack Dorsey 汇报【官方】。官方口径：单台 GB200 NVL72 完成训练，推理快于实时，MacBook Pro M4 Max 及以上可本地运行，原生听见并表达情绪、讽刺、笑声、叹息；「从比 LLM 少数百倍的词量学会语言」无数值支撑，属公司声明【官方】。
冷水先泼：Dessa 无公开权重、无 API、无许可证，早期访问仅限少量 AI 安全研究员【官方】；无官方基准，第三方证实它不在任何榜单上【二手】。TechCrunch 已点出存疑之处：它的情绪是原生还是仍由标签机制驱动【二手】；「按要求提高音量」细节仅出自媒体报道【二手】。引用它的一切能力，前面都应加上「Block 称」。
Fish Audio Drama 3：开源的是权重，不是全双工
Drama 3 于 10 月 13 日发布，官方博客加 arXiv 技术报告【官方】。规格不小：35B MoE，8 路路由专家加 1 共享专家，每 token 约激活 3B，骨干自 Qwen3.5-35B-A3B 初始化【官方】。真实身份是「可导戏的 TTS」——官方口径原话——行内方括号导演指令、改单词语气、[sighs] 等非语言标签、单次最多 16 说话人、多轮改稿，「句中换声」「改单词语气」均为官方实锤【官方】。但这些能力都发生在你给文本、它出音频的语境里，与全双工对话是两回事。
开源侧实情是「开源权重而非完全开源」，许可为 Fish Audio Community License v1.0：科研与非商业免费，年营收低于 50 万美元可免费商用，超过限额或对外提供推理服务需商业许可，禁止未经同意克隆真人声音【官方】。延迟 H200 单流首音频中位 88.9ms，64 并发 450.9ms【官方】；价格 50 美元/百万字符，首发 2 折 10 美元至 11 月 12 日【官方】；7 月完成 5200 万美元种子轮【官方，多家一致】。用户规模信源矛盾：第三方称 800 万，公司自报超 1500 万——并列，不裁决。评测也分裂：AA 发音鲁棒性 93.2% 第一，超过 v4 的 91.7%；AA 偏好榜却只排第十【第三方】。
仓库地址：fishaudio/fish-speech，也可直接访问 github.com/fishaudio/fish-speech（GitHub API 2026-10-27 实测 200）。
Eleven v4 Turbo：官方 100ms 很快，但它是一根管道
v4 Turbo 与 v4 同日发布于 9 月 28 日【官方】。官方基准：中位推理延迟约 100ms、首声约 150ms，标注不含应用与网络延迟；对比对象 Sonic 3.6 为 262ms、GPT-4o mini TTS 为 814ms【官方】。官方 models 页列 91 种语言，通话中可随对方切换并保持同一音色【官方】。但记住那句括号：去掉的是最不可控的两段开销。第三方实测推理约 118ms、首声约 165ms【二手】。
定性与 Drama 3 相同：文本中介 TTS 加双向流式 WebSocket，面向 agent 循环，打断在 ElevenAgents 产品层处理，不是全双工 S2S【官方】。闭源，API 定价 0.04 美元/千字符，订阅 6 美元/月起【官方】。冷水点来自官方文档：标签遵循尚不完美、Style 与 Speed 滑杆及 SSML 不支持、模型行为可能随训练漂移【官方】。Block 对其「voice tags 驱动情绪」的批评，官方未回应。
Qwen-Audio-3.0-Realtime：中文用户最实际的一条路
阿里这款 7 月发布【二手，百科口径】，百炼文档 9 月 28 日更新【官方】。它是端到端实时语音交互大模型，主打「听思同步」——语音输入与语义推理并行；内置「多模态感知双工控制」子模型，用音频信号、语义、声纹判断何时接话，嘈杂环境防误打断、锁定主对话对象；轮次模式有 server_vad、smart_turn、push-to-talk 三种【官方文档】。能力含 Function Calling、联网搜索、情感调整与声音复刻【官方】。
对中文读者它最实际：闭源 API 交付，却有官方人民币计价——Flash 版中国区音频输入 6 元/百万 tokens、文本输入 1.5 元、文本输出 4.5 元、文本加音频输出 12 元【官方文档】——加中文文档与国内直连。短板：端到端延迟只有「毫秒级」定性，无具体数字【官方】；语言数无公开口径；AA S2S 综合第一系官方转引【官方转引】，非第三方直接评测。
NVIDIA VoiceChat 11B：唯一能下到的真全双工，代价是 80GB
开源阵营里规格最硬的一款：11B 端到端 S2S，用单一流式网络替代「识别、大模型、合成」三段级联——Fast Conformer 流式编码器加 Nemotron Nano v2 9B 混合 Mamba 与 Transformer 主干，解码器输出 22.05kHz；旁挂 RNN-T 通道实时转录用户，另有独立工具调用输出通道，脚本不污染语音流【官方 model card 经转述，两独立来源一致】。训练数据约 55 万小时。
全双工关键指标来自 Full-Duplex-Bench 1.0：流畅轮替 448ms，被打断后约 480ms 让出，接管率 1.00，打断质量 GPT-4o 评 4.33/5【官方口径】。Big Bench Audio 38.8% 为开源全双工最高，但闭源第一梯队 GPT-Realtime 在 80 以上【第三方】；对话动态 77.8% 开源第二，第一是 PersonaPlex 的 91.0%【第三方】。它是首个支持实时工具调用的开源全双工，但官方自曝边界很长：音频上下文上限 2 分钟、多轮退化、轮末失控自言、丢词；BFCL-v3 得分 56.1%，工具选择 82.5% 而参数正确率仅 44.2%，建议每会话不超过 5 个工具【官方】。
发布日期多口径并存：HuggingFace 权重 8 月 3 日上线，NGC 容器页标 7 月 21 日，另有 8 月 9 日说法——并列，不裁决【二手加官方容器页】。许可为研究专用（钛媒体标注 OpenMDW v1.1）【二手标许可名】，部署至少一块 80GB 显存 GPU：A100、H100、RTX 6000 Pro 或 B200【官方】。开源了，但「开源不等于可商用」，也不等于你的机器跑得动。
豆包实时语音 3.0：官方一句话，其余全靠转述
六款里信息最不透明的一款。可靠的官方一手只有火山引擎 10 月 20 日发版说明一句：「新增支持豆包实时语音模型 3.0（Seeduplex），提供全双工端到端实时语音对话，并支持视觉理解能力」【官方】。这句实锤了全双工端到端定性，但仅此而已。
其余流传数字全要打传闻标签：打断准确率 97.3%、响应延迟 210ms、对话完成率 94%，出自微信公众号研究报告【传闻·二手】；「Seeduplex 2026 年 4 月开源」同样【传闻·二手】，未核到官方仓库与许可证原文；700 万量产车、50 多个汽车品牌【二手】；价格未公开；App 视频通话可随时插话属自媒体实测【二手】。官方给出规格文档之前，本文不替它背书任何数字。
开源阵营的尴尬：有权重的跑不起，跑得起的太老
开源选项单独拎出来，2026 年的真实格局是三句话。话题度最高的 Dessa 完全闭源；VoiceChat 11B 开了权重，但研究专用许可加至少 80GB 显存，送进了数据中心级；唯一能在 24GB 及以下显存本地跑的开源全双工，仍是 2024 年的 Moshi——Kyutai 的 7B 模型，权重 CC-BY 4.0，4090 实测口径约 200ms，但只有英文和法语，上下文约 5 分钟滑窗，无工具调用【第三方 wiki 口径】。有权重的跑不起，跑得起的太老，中间是空的。
仓库地址：kyutai-labs/moshi，也可直接访问 github.com/kyutai-labs/moshi（GitHub API 2026-10-27 实测 200）。
榜单再补一刀：对话动态维度上，PersonaPlex 91.0%、VoiceChat 77.8%、Moshi 只有 4.3%【第三方】。榜单上的 Freeze-Omni、FLM-Audio，硬件门槛本次未能核实，引用前需单独核查【二手】。「开源语音的安卓时刻」在全双工赛道还谈不上成立。
别拿 88.9ms 去比 448ms
表里最容易误读的是延迟行。Drama 3 首音频 88.9ms 与 VoiceChat 轮替 448ms 不是一场比赛：前者是拿到文本合成音频的 TTS 任务，后者是双向语音流里判断话轮与让步的全双工任务，数字不可直接比。v4 Turbo 的 100ms 与 150ms 均不含网络与应用层开销，真实体感还要加上大模型与链路延迟，第三方实测首声约 165ms 可作参照【二手】。厂商延迟数字共享同一条逻辑：vendor 口径看相对，不看绝对。
结语：GPT-3 时刻还是营销时刻
六款看完，结论并不戏剧化。真全双工与文本中介的路线之争刚摆上台面，开源侧真正的消费级选项至今空缺，官方延迟数字集体不含网络开销，最像下一代产品的 Dessa 连一个公开基准都没有。Dessa 研究员把它称作「语音的 GPT-3 时刻」，这句自报能否兑现，取决于权重、API 与第三方评测何时至少到位一个。在那之前，按路线归组、按出处标记数字，是眼下唯一可靠的防身术。
参考来源
- Block 官方 Dessa 页：S2S 架构、训练方式、本地运行口径【官方】
- TechCrunch 2026-10-24 报道：无公开访问、安全研究员早接、eerily human 表述【二手】
- Fish Audio Drama 3 官方博客：架构、许可、延迟与导演能力【官方】
- ElevenLabs v4 官网与 v4 Turbo agents 页：延迟基准、91 语言、定价【官方】
- 阿里云百炼 Qwen-Audio-3.0-Realtime Flash 文档：双工控制子模型、轮次模式与计价【官方文档】
- HuggingFace NVIDIA-NemotronLabs-VoiceChat-11B 模型卡：架构、448ms/480ms、80GB 门槛与自曝边界【官方，经转述】
- 火山引擎发版说明：豆包实时语音 3.0 全双工端到端一句原文【官方】
- Artificial Analysis 各榜单分数（Big Bench Audio、对话动态、发音鲁棒性）经第三方转述【第三方】
延伸阅读
常见问题
**Q1：**全双工语音模型和普通语音助手到底差在哪？
**A1：**普通助手走「识别、生成、合成」串行管道，任何时刻只有单向在动；全双工模型在语音流上同时听与说，可随时被打断、插话，会附和与让步。前者处理文本，后者直接处理语音，停顿、笑声、半截话因此得以保留。
**Q2：**Drama 3 和 Eleven v4 Turbo 算不算全双工？
**A2：**按官方口径都不算。Drama 3 定位是「可导戏的 TTS」，文本中介；v4 Turbo 是文本中介 TTS 加双向流式 WebSocket，打断在 ElevenAgents 产品层处理。它们是优秀的实时语音产品，但归入「全双工」属归组错误。
**Q3：**现在能在消费级显卡上本地跑开源全双工模型吗？
**A3：**能跑的只有 2024 年的 Moshi：7B、CC-BY 4.0，24GB 卡约 200ms，但仅英法双语、无工具调用。VoiceChat 11B 更新更强，却要至少 80GB 显存加研究专用许可。「有权重的跑不起，跑得起的太老」正是当前格局。
**Q4：**官方延迟数字能直接采信吗？
**A4：**看口径再采信。v4 Turbo 的 100ms 与 150ms 标注不含应用与网络延迟；Drama 3 的 88.9ms 是 H200 单流 TTS 口径，与全双工任务的 448ms 不属同一比赛。第三方实测（如 v4 Turbo 首声约 165ms）更接近真实体感，但样本有限【二手】。
**Q5：**想做中文实时语音对话，眼下最现实的选择是哪条？
**A5：**国内直连、人民币计价、文档齐全的闭源 API 是最短路径，六款中 Qwen-Audio-3.0-Realtime 是唯一全满足的；豆包实时语音 3.0 发版说明实锤全双工端到端，但关键数字均为二手转述。想自部署则需接受 Moshi 的语言限制或 VoiceChat 的硬件门槛。