夜雨聆风昨日，Mira Murati 离开 OpenAI 后创立的 Thinking Machines Lab 发布了第一个研究预览：Interaction Models。简单说，这是一类不需要"等你说完才回话"的 AI 模型。它能边听边说，边看边讲，边搜索边回答。
而国内，早在4月9 日字节跳动也发了一个走同样方向的语音模型 Seeduplex。区别是字节没停在 demo——豆包 App 的"打电话"功能已经全量上线了 Seeduplex（豆包3月月活约 3.45 亿、DAU 约 1.4 亿，QuestMobile 数据），用户量级足够大。
Thinking Machines 这边目前只是发布技术展示，limited research preview 按官方说法还要再等几个月才放出来。
中外同步走到了同一步：让 AI 跟人对话像跟人对话，而不是像对讲机。
之前的AI 对话其实是"对讲机"
你按一下、说完、松开，AI 才开始回。AI 说一段、你打断、它停下、再听你说。这就是过去两年大多数主流商用 AI 语音对话的工作方式——技术上叫 turn-based，回合制。
回合制通用模型的局限：模型在每个时刻基本只做一件事——听或说，二选一。所以你看到的"实时对话 AI"，背后大多是用一个外挂模块（voice activity detection，简称 VAD）做"轮次切换"——VAD 判断你说完了，模型才接管说话。VAD 判断错了，AI 就插嘴打断你，或者你说完两秒它还没反应过来。学术界其实早就有 Moshi、Seeduplex 这种全双工架构在小模型上跑，只是这次的新闻意义在"通用 frontier 模型也开始这么做"。
GPT Realtime 这一系列、Gemini live 这一系列，都是这种结构。
Thinking Machines 和字节 Seed 团队这次都做了同一件事：把"边听边说"内化到模型里，不再依赖外挂 VAD。模型从架构上就是双向的——输入流和输出流同时跑，一边接收你的音频，一边生成自己的音频。
Interaction Models 长什么样
Thinking Machines 给这套架构起了个名字：micro-turn。模型每 200 毫秒处理一段输入、生成一段输出，像两个传送带不停往两个方向走，而不是排队。
硬指标可以直接看博客里的 benchmark。同等量级的"instant"档对比：
跑分要保守看——benchmark 是发布方自己跑的，复现条件不同排序可能变化。但和同类拉开的距离不算小，等独立评测出来再看是否站得住。
模型架构上还有一个值得注意的设计：前台模型 + 后台模型分工。前台模型负责实时交互、保持节奏；遇到需要"想一会儿"的任务（写代码、查资料），交给后台模型异步跑，跑完结果再插回对话流。这样既不阻塞对话，又能用上深思考的能力。
豆包打电话已经悄悄上了一个月
字节 Seed 团队 4 月 9 日发布 Seeduplex 时给的对外口径是"原生全双工语音大模型"，关键数据是：相比半双工模型，误回复率和误打断率减半，抢话比例下降 40%。
我的判断是，"误回复"和"误打断"这两个指标比延迟更接近普通用户的真实体感。延迟 0.5 秒和 0.4 秒，普通人感觉不出来；但 AI 把"嗯"听成"我说完了"提前抢话，一次就让人想关掉。
豆包升到最新版的话，在"打电话"功能里就能直接用。这是中文 AI 圈第一个在亿级日活产品里上线全双工语音的尝试，用户基数比 Thinking Machines 当前的研究预览大一个量级（功能层实际使用率没有公开数据，只能说"已具备使用条件"）。
国内已经能在产品里用、国外刚发布技术展示公告——这种节奏在中文 AI 圈不算常见。
这意味着普通用户接下来能用 AI 做什么
把"边听边说"这件事翻译成普通人的体感，可以列出几个具体场景。其中纯语音类的一部分（实时翻译、不抢话的对话）豆包"打电话"已经在路上；涉及视觉、屏幕理解、复杂工具调用的，要等 Thinking Machines 这种多模态架构真正落地到产品才能用：
最自然的落地方向其实是耳机和车机——这两个场景里"先按按钮再说话"的成本最高。
豆包已经在打电话上跑了 Seeduplex 一个月，下一步合理的方向是搬到通用对话和 IDE 助手；其他大厂的语音助手在合适时机也会切到全双工架构，但具体时间还要看各家自己节奏。在豆包这类全双工语音产品上，国内用户的体验确实跑在了英文市场前面（Realtime API 类产品架构不同，不能直接横比）。
至于 GPT Realtime 怎么应对，可以等 OpenAI 自己的下一波更新。
