TAG:实时交互
Wan-Streamer v0.2发布：主打超低延迟AI对话体验，提升与AI实时沟通能力
文章介绍了通义实验室推出的 Wan-Streamer v0.2，这款端到端全模态模型以550毫秒超低延迟实现“听、看、说、演”一体化实时交互，并通过更清晰画质与全身数字人表现，显著提升 AI 对话的真实感与应用价值。
139 
0 
灵光 App 世界模型功能升级至 2.0：可在手机上生成可玩的动态世界，体验更真实、更互动
灵光App世界模型功能升级至2.0，接入蚂蚁灵波LingBot-World 2.0技术。用户通过一张图片即可在手机生成支持自由漫步、施法战斗等实时交互的可玩动态世界。新版实现720P高清、30帧流畅运行及低延迟响应，让AI从静态内容生成迈向可长期互动的鲜活世界，开启移动端AI沉浸式体验新时代。
OpenAI语音助手升级：GPT-Live全双工模型上线，ChatGPT实现边听边说
OpenAI正式发布GPT-Live全双工语音模型，ChatGPT语音体验迎来重大升级！新架构突破传统“说-听”排队模式，实现真正边听边说、同时思考，能自然插入“嗯哼”反馈、灵活处理打断，并在语音中调用GPT-5.5进行复杂推理与任务规划。GPT-Live-1和mini版本覆盖免费用户至企业API，让语音助手进化成接近真人的智能对话伙伴。
研究人员推出LPM1.0模型，实现单图转实时交互式数字人视频
LPM1.0模型实现了通过单张参考图像生成实时交互式数字人视频。该模型支持多模态输入，具备精准唇形同步与自然情绪表达，可与ChatGPT等AI集成实现实时视觉对话。凭借核心技术，它能即时驱动多种风格角色且无需二次训练。该研究标志着AI交互正向具备情感响应与视觉具身化的全维度形态演进，具有重要的科研价值。
仅需0.73秒！Unitree G1机器人随指令起舞打太极
本文介绍了TextOp框架如何实现人形机器人通过文本指令实时控制运动的技术突破。该系统允许用户在机器人执行动作过程中随时输入新命令，实现平滑过渡，平均响应时间仅0.73秒。文章详细解析了其双级协作架构、实测性能数据以及广泛的应用场景，展示了从实验室到实际落地的潜力。
华为“天才少年”发布Xmax AI 全球首个虚实融合视频模型 毫秒级响应打破次元壁
前华为“天才少年”创立的Xmax AI发布全球首个虚实融合实时交互视频模型X1，实现毫秒级响应，用户可通过手机摄像头与虚拟内容实时互动，让静态图片角色在现实空间中动态反应。该模型集成了次元互动、世界滤镜等四大功能，旨在将AI视频从被动消费转变为共创社交体验，为行业树立新标准。
阿里通义千问开源Qwen3-TTS：97ms超低延迟 3秒克隆音色 改变实时AI语音格局
阿里通义千问团队开源Qwen3-TTS语音合成模型，采用端到端架构实现97ms超低延迟，支持3秒音色克隆和跨语言迁移，并能通过自然语言指令设计全新音色。该模型提供1.7B和0.6B双版本，适用于实时交互、多语言内容创作等场景，大幅降低AI语音应用门槛。
腾讯推出混元世界模型1.5 实现实时交互虚拟世界
腾讯发布了混元世界模型1.5，这是国内首个开放的实时互动体验平台。用户通过简单的文字或图片描述，即可快速生成独特的互动虚拟世界，并支持以24帧/秒的速度实时探索。模型具备长范围3D一致性和多样化交互体验，适用于游戏、影视及虚拟现实等领域。腾讯还首次开源了完整的训练体系，为AI生成内容开辟了新的可能性。
美团开源多模态大模型LongCat-Flash-Omni：实时交互性能突破
美团开源多模态大模型LongCat-Flash-Omni在多项基准测试中超越闭源竞品，实现开源即SOTA突破。该模型支持文本、语音、图像、视频的实时融合处理，具备跨模态精准推理能力，在噪声环境语音识别和模糊图像理解方面表现优异。通过端到端统一架构和Flash推理引擎优化，在消费级GPU上即可实现近乎零延迟的交互体验。
